一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置制造方法及图纸

本发明专利技术提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，该方法步骤包括：抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。本发明专利技术可高效、准确地预测出所需的假体型号，准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本发明专利技术只需使用X光片和患者基本信息，成本更低，效果更稳定。

【技术实现步骤摘要】
一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置
本专利技术属于人工智能医疗图像处理领域，具体涉及一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置。
技术介绍
随着社会老龄化的加剧，骨性关节炎已经成为了常见的关节疾病。全膝关节置换术(TotalKneeArthroplasty，TKA)是治疗重度膝关节骨炎症等疾病的有效方法，其临床疗效良好，假体生存率高，但同时也面临着一系列术后并发症，严重者甚至需要再次进行翻修手术，导致患者的术后满意度不足。过大或过小的假体都会对手术疗效造成不良影响，而精准的假体匹配可以减少术后患膝疼痛、假体松动、假体磨损、术后失血等并发症。因此，有必要对精准的术前假体规划进行研究。目前的术前规划测量主要分为X线片模板测量和数字化模板测量。前者是使用假体公司提供的实体测量模板与X线片进行人工重合比对，选择匹配最佳的假体型号；后者则是借助数字化在线模板测量系统，将术前线片和系统中存有的不同型号假体数字模板进行匹配，预测可能的假体型号。这两项技术高度依赖摄片质量，受X线放大率影响巨大，而且精确性波动较大。深度学习技术通过卷积层、池化层、全连接层等抽取图像中的关键特征，通过反向传播在训练集上进行训练，并泛化到从未接触过的数据集上。之前也有关于利用深度学习进行全膝关节置换术假体型号预测的专利技术研究，而且也达到了同专家测量相同的精度。例如中国专利申请CN110782976A公开了一种全膝关节置换术假体型号预测方法，该方法收集满足入选标准的患者术前膝关节的X光片以及患者的基本信息；对收集到的X光片及患者的基本信息进行预处理；将预处理后的图片和患者的基本信息作为特征，输入到基于深度学习技术训练完成的假体型号分类器中，得到患者在手术中各型号假体的使用概率。但由于患者病例数不足，以及患者使用的假体型号在分布上呈现“中间多，两段少”的特征，使用该方法训练得到的假体型号分类器在两端类别的预测上精度受限。本专利技术考虑将编码思想引入到模型训练中，一方面能使模型具有一定的纠错能力，提升模型性能；另一方面，通过将多分类任务拆分成多个二分类的子任务，拆分后的每个二分类器的样本分布同未拆分时的样本分布相比，更加均衡，进一步提升模型表现。
技术实现思路
针对现有人工测量耗时耗力、精度波动较大等问题，以及直接使用神经网络进行多分类任务时精度受限于数据集的缺陷，本专利技术旨在提供一种基于纠错输出码的全膝关节置换术假体型号预测方法及电子装置，提高假体型号的预测精度。本专利技术的技术方案为：一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。进一步地，所述X光片通过直方图均衡与均值漂移方法对原始X光片进行图像处理获得。进一步地，获取所述纠错码的最优编码方案的步骤包括：1)固定编码长度及判决方式，对各样本假体型号分配码字，并根据选取的码字，设置卷积神经网络的输出节点数目并进行训练，得到第一假体型号预测模型；2)将相应患者的基本信息与样本X光片逐组送入第一假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；3)统计该假体型号及相邻两类假体型号的准确率，根据性价比因素选取一种纠错输出码类型为最优编码方案。进一步地，所述卷积神经网络结构基于18层的ResNet卷积神经网络架构；分配所述码字的准则包括：码字间最小距离尽可能大、选取后各二分类器的正负样本分布尽可能均衡。进一步地，所述性价比因素包括第一假体型号预测模型的精度、编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡。进一步地，获取所述编码的最优编码长度的步骤包括：1)选取所述最优编码方案，固定判决方式，对各样本假体型号分配码字，并根据选取的码字，设置第一假体型号预测模型的输出节点数目并进行训练，得到第二假体型号预测模型；2)结合相应的患者基本信息与X光片，逐组送入第二假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；3)统计该假体型号及相邻两类假体型号的准确率，根据第二假体型号模型准确率与综合编码复杂度选取最优编码长度。进一步地，获取设定判决方式的步骤包括：1)选取所述最优编码方案与所述最优编码长度，对各样本假体型号分配码字，并根据选取的码字，设置第二假体型号预测模型的输出节点数目并进行训练，得到第三假体型号预测模型；2)结合相应的患者基本信息与X光片，逐组送入第三假体型号预测模型，并根据不同判决方式，得到各患者相应的假体型号；3)统计该假体型号及相邻两类假体型号的准确率，根据准确率与计算资源开销选取设定判决方式。进一步地，所述判决方式为硬判决且不考虑类别占比方法、硬判决且考虑类别占比方法、软判决且使用欧几里得计算方法或软判决且基于Sigmoid函数的计算方法。一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序执行上述方法的各步骤。一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。与现有技术相比，本专利技术的积极效果为：本专利技术可高效、准确地预测出所需的假体型号，检测准确率可达88％以上。该准确率已经达到超过了专家使用CT和X光片进行术前测量的精度水平，并且本专利技术只需使用X光片和患者基本信息，成本更低，效果更稳定。同CN110782976A中直接使用神经网络进行多分类的专利技术相比，本专利技术的精度同样更高。附图说明图1是本专利技术提出的基于纠错输出码的全膝关节置换术假体型号预测算法。具体实施方式为了便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。一种基于纠错输出码的全膝关节置换术假体型号预测方法，包括以下步骤：(1)针对收集得到的数据，研究各维度特征同标签之间的相关性，为后续模型训练提供理论基础；(2)对收集到的X线片及患者的基本信息进行预处理；(3)将预处理后的图片和患者的基本信息作为特征，输入到已经训练完成的假体型号预测模型中，得到模型预测的二进制序列，根据该序列及判决方式，获得该患者所需的假体型号的预测结果；其中，所述的相关性研究如下：(1)对特征和标签基于最小二乘法进行直线拟合，判断趋势；(2)计算特征和标签之间的相关系数，获得相关性判断；(3)对相关系数进行T检验，判断相关性结论的置信度。所述假体型号预测模型的设计、训练及预测方法如下：(1)根据样本类别数目选取编码方案；(2)固定编码方案选取编码长度；(3)规定编码方案和长本文档来自技高网...

【技术保护点】
1.一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：/n1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；/n2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；/n3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。/n

【技术特征摘要】
1.一种基于纠错输出码的全膝关节置换术假体型号预测方法，其步骤包括：
1)抽取患者X光片的关键特征，对患者基本信息进行上采样后，拼接所述关键特征与上采样后信息；
2)将拼接后的结果送入联合训练的多个二分类器，得到各二分类器输出的概率序列；
3)根据一设定判决方式，将所述概率序列映射到使用纠错码编码的假体型号，获得该患者所需假体型号的预测结果。


2.如权利要求1所述的方法，其特征在于，所述X光片通过直方图均衡与均值漂移方法对原始X光片进行图像处理获得。


3.如权利要求1所述的方法，其特征在于，获取所述纠错码的最优编码方案的步骤包括：
1)固定编码长度及判决方式，对各样本假体型号分配码字，并根据选取的码字，设置卷积神经网络的输出节点数目并进行训练，得到第一假体型号预测模型；
2)将相应患者的基本信息与X光片逐组送入第一假体型号预测模型，并根据判决方式，得到各患者相应的假体型号；
3)统计该假体型号及相邻两类假体型号的准确率，根据性价比因素选取一种纠错输出码类型为最优编码方案。


4.如权利要求3所述的方法，其特征在于，所述卷积神经网络结构基于18层的ResNet卷积神经网络架构；分配所述码字的准则包括：码字间最小距离尽可能大、选取后各二分类器的正负样本分布尽可能均衡。


5.如权利要求3所述的方法，其特征在于，所述性价比因素包括第一假体型号预测模型的精度、编码复杂度、各编码方案的最小码距、编码后各二分类器的样本分布是否均衡。


6.如权利要求3所述的方法，其特征在于，获...

【专利技术属性】
技术研发人员：岳宇，赵旻暐，李斗，田华，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11