一种四肢骨折固定中导针用可视化导航系统技术方案

本发明专利技术属于医疗器械技术领域，公开了一种四肢骨折髓内钉内固定手术中导针可视化导航系统，包括空心针内部套接有钢丝，空心针下端设置有开口，钢丝穿过开口，钢丝下端与撑开器连接；空心针下端安装有定位模块和图像获取模块，定位模块和图像获取模块与操作平台连接，操作平台上设置有显示设备；操作平台下端设置有高度调整结构，图像获取模块设置有图像预处理模块和图像深度处理模块。本发明专利技术提供的四肢骨折髓内钉内固定手术中导针可视化导航系统，设计结构简单，新颖，合理，四肢髓内钉内固定手术中导针可以顺利通过骨折端，高效实用，可以有效缩短手术时间，降低并发症的发生，降低医务人员的工作难度。

【技术实现步骤摘要】
一种四肢骨折固定中导针用可视化导航系统
本专利技术属于医疗器械
，尤其涉及一种四肢骨折髓内钉内固定手术中导针可视化导航系统。
技术介绍
目前，随着社会的发展和社会的进步，高能量损伤导致的四肢骨折患者越来越多，大部分患者需要采用手术治疗以稳定骨折断端、促进骨折愈合及机体的康复。髓内钉内固定术作为四肢长骨干骨折的首选手术方式，具有创伤小、生物力学优生物特点，对于后期骨折愈合及机体康复具有重要的意义。该手术过程中，导针能够顺利从长骨干的一短通过骨折断端到达骨折远端，是髓内钉固定的关键。但髓内钉固定骨折过程中，由于骨折周围肌肉的牵拉，往往导致骨折断端移位，使导针通过骨折端困难，甚至有时需切开骨折部位以确保髓内钉系统中导针的顺利通过。该方法虽可以节省手术时间，但会导致髓外血供的破坏，以至于后期出现骨折不愈合的情况，给患者及家庭带来沉重的负担。为了解决上述问题，本专利采用可视化导针技术，可以使之顺利通过骨折断端；其中，可视化是利用计算机图形学和图像处理技术，将数据转换成图形或图像在屏幕上显示出来，并进行交互处理的理论、方法和技术。它涉及到计算机图形学、图像处理、计算机视觉、计算机辅助设计等多个领域，成为研究数据表示、数据处理、决策分析等一系列问题的综合技术。但是现有技术中尚无该项技术。通过上述分析，现有技术存在的问题及缺陷为：现有髓内钉内固定过程中，导针的植入往往是凭借术者的经验，在完成复位后将导针植入通过骨折断端，在通过扩髓、髓内钉主钉植入等方法，完成四肢骨折的髓内钉固定。该方法通常会极大地拖延手术时间，对术者的体力消耗也是巨大的，手术时间的延长也无疑增加患者术后并发症(如切口感染、骨折不愈合等)的发生。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种四肢骨折髓内钉内固定手术中导针可视化导航系统。本专利技术是这样实现的，一种四肢骨折固定髓内钉内固定手术中导针可视化导航系统，所述四肢骨折髓内钉内固定手术中导针可视化导航系统设置：空心针；空心针内部套接有钢丝，空心针下端设置有开口，钢丝穿过开口，钢丝下端与撑开器连接；空心针下端安装有定位模块和图像获取模块，定位模块和图像获取模块与操作平台连接，操作平台上设置有显示设备；操作平台下端设置有高度调整结构，图像获取模块设置有图像预处理模块和图像深度处理模块；图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块；其中，所述图像去噪增强模块中图像去噪的过程为：将含有噪声的图像建立图像集合，获取原始图像数据集；在图像集合中选取一幅含有噪声的图像，进行随机裁剪处理，得到训练样本集；将训练样本集中的图像输入到图像浅层特征提取模块中，进行浅层特征提取，得到浅层特征图；将浅层特征图输入到图像特征增强组中，得到深层次特征图；采用图像重建模块对深层特征图进行重建，得到去噪后的重建图像；其中，所述图像浅层特征提取模块为一个卷积网络，用于提取图像的浅层特征；采用图像浅层特征提取模块提取浅层特征的计算公式为：Fl＝Hsf(Inoi)；其中，Fl表示提取的浅层特征，Hsf(.)表示对输入的图像进行3×3卷积操作，Inoi表示输入的噪声图像；在去噪后的重建图像中确定以某个像素为中心点的圆形邻域，将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值；其中，所述将邻域中各像素的灰度值进行排序，包括：获取待处理的重建图像，并对所述待处理的重建图像进行检测，得到所述待处理重建图像的多个灰度值数据；基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据，得到多个待排序数据；对所述多个待排序数据按照灰度值大小进行排序，得到目标序列；将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为目标数据，并将所述目标数据和所述多个待排序数据中的第一位灰度值数据与目标对比数据进行对比，得到对比结果；根据所述对比结果将所述目标数据插入至所述目标序列中，得到排序结果；根据邻域中各像素的灰度值排序结果，获取中心像素灰度的新值；根据重建图和原始输入图计算图像去噪模型的MSE损失函数；设置初始学习率，使用多步调整学习率下降函数MultiStepLR调整学习率的大小；将圆形邻域按照一定的规律上下左右移动，采用Adam算法对模型进行优化，根据学习率不断调整模型的参数，利用中值滤波可以对图像进行平滑去噪处理，得到去噪图像；图像深度处理模块设置有图像特征抽取模块、图像分割模块、图像匹配识别模块、图像融合模块；其中，所述图像融合模块对预处理完的图像进行图像融合的过程为：设预处理完成的图像数据集为：其中，m和n分别为预处理完成的图像个数和每幅图像中像素数，矩阵中的每一行向量表示一幅图像；图像的线性变换为：Y＝TX；其中，X为待变换的图像数据矩阵，Y为变换后的图像矩阵，T为变换矩阵；当T矩阵为正交矩阵，由待变换的图像数据矩阵X的协方差C的特征向量所组成，所述线性变换为K-L变换，并且K-L变换后的数据矩阵的每一行向量为一个主分量；其中，所述K-L变换具体过程为：根据待变换的图像数据矩阵X，求协方差C；其中，X的协方差为：求出协方差矩阵的特征值和特征向量，并组成变换矩阵，特征方程为：(λI-C)U＝0；其中，I为单位矩阵，U为特征向量；对所述特征方程进行求解，得出C的各个特征值为λf(1，2，......，m)，将λ1≥λ2≥......≥λn排序，得出特征值对应的单位特征向量为Uf：Uj＝[u1j，u2j，......umj]T；得到变换矩阵T∶T＝UT，其中U＝[]＝[]m*n，以各个特征向量构成的矩阵，且U矩阵是正交矩阵，U矩阵满足：UTU＝UUT＝I；将变换矩阵T代入Y＝TX，将得到K-L变换的具体表达式为：其中，Y矩阵的行向量为Yj＝[]为j个主分量。进一步，所述撑开器为圆球体或者圆锥体；所述高度调整结构设置有电动伸缩杆，电动伸缩杆下端安装有橡胶垫块，橡胶垫块上设置有橡胶凹凸点。进一步，图像去噪增强模块中，所述目标对比数据为从所述目标序列中选取的灰度值数据。进一步，图像去噪增强模块中，所述基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据，得到多个待排序数据步骤之后，还包括：基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据，得到初始待排序数据；按照灰度值对所述多个待排序数据通过插入法进行排序，得到初始目标序列；将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为初始目标数据，插入至所述初始目标序列中，得到初始排序结果。进一步，所述图像平滑处理模块对图像进行平滑处理的过程为：将整幅图像进行加权平均，本文档来自技高网...

【技术保护点】
1.一种四肢骨折髓内钉内固定手术中导针可视化导航系统，其特征在于，所述四肢骨折髓内钉内固定手术中导针可视化导航系统设置：/n空心针；/n空心针内部套接有钢丝，空心针下端设置有开口，钢丝穿过开口，钢丝下端与撑开器连接；/n空心针下端安装有定位模块和图像获取模块，定位模块和图像获取模块与操作平台连接，操作平台上设置有显示设备；/n操作平台下端设置有高度调整结构，图像获取模块设置有图像预处理模块和图像深度处理模块；/n图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块；/n其中，所述图像去噪增强模块中图像去噪的过程为：/n将含有噪声的图像建立图像集合，获取原始图像数据集；在图像集合中选取一幅含有噪声的图像，进行随机裁剪处理，得到训练样本集；/n将训练样本集中的图像输入到图像浅层特征提取模块中，进行浅层特征提取，得到浅层特征图；将浅层特征图输入到图像特征增强组中，得到深层次特征图；采用图像重建模块对深层特征图进行重建，得到去噪后的重建图像；/n其中，所述图像浅层特征提取模块为一个卷积网络，用于提取图像的浅层特征；采用图像浅层特征提取模块提取浅层特征的计算公式为：/nF...

【技术特征摘要】
1.一种四肢骨折髓内钉内固定手术中导针可视化导航系统，其特征在于，所述四肢骨折髓内钉内固定手术中导针可视化导航系统设置：
空心针；
空心针内部套接有钢丝，空心针下端设置有开口，钢丝穿过开口，钢丝下端与撑开器连接；
空心针下端安装有定位模块和图像获取模块，定位模块和图像获取模块与操作平台连接，操作平台上设置有显示设备；
操作平台下端设置有高度调整结构，图像获取模块设置有图像预处理模块和图像深度处理模块；
图像预处理模块设置有图像数字化模块、几何变换模块、归一化处理模块、图像平滑处理模块、图像复原模块、图像去噪增强模块；
其中，所述图像去噪增强模块中图像去噪的过程为：
将含有噪声的图像建立图像集合，获取原始图像数据集；在图像集合中选取一幅含有噪声的图像，进行随机裁剪处理，得到训练样本集；
将训练样本集中的图像输入到图像浅层特征提取模块中，进行浅层特征提取，得到浅层特征图；将浅层特征图输入到图像特征增强组中，得到深层次特征图；采用图像重建模块对深层特征图进行重建，得到去噪后的重建图像；
其中，所述图像浅层特征提取模块为一个卷积网络，用于提取图像的浅层特征；采用图像浅层特征提取模块提取浅层特征的计算公式为：
F1＝Hsf(Inoi)；
其中，F1表示提取的浅层特征，Hsf(.)表示对输入的图像进行3×3卷积操作，Inoi表示输入的噪声图像；
在去噪后的重建图像中确定以某个像素为中心点的圆形邻域，将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值；
其中，所述将邻域中各像素的灰度值进行排序，包括：
获取待处理的重建图像，并对所述待处理的重建图像进行检测，得到所述待处理重建图像的多个灰度值数据；
基于所述待处理重建图像从所述多个灰度值数据中选取预设数量的连续的灰度值数据，得到多个待排序数据；对所述多个待排序数据按照灰度值大小进行排序，得到目标序列；
将所述待处理重建图像中所述多个待排序数据的后一位灰度值数据作为目标数据，并将所述目标数据和所述多个待排序数据中的第一位灰度值数据与目标对比数据进行对比，得到对比结果；
根据所述对比结果将所述目标数据插入至所述目标序列中，得到排序结果；根据邻域中各像素的灰度值排序结果，获取中心像素灰度的新值；
根据重建图和原始输入图计算图像去噪模型的MSE损失函数；设置初始学习率，使用多步调整学习率下降函数MultiStepLR调整学习率的大小；
将圆形邻域按照一定的规律上下左右移动，采用Adam算法对模型进行优化，根据学习率不断调整模型的参数，利用中值滤波可以对图像进行平滑去噪处理，得到去噪图像；
图像深度处理模块设置有图像特征抽取模块、图像分割模块、图像匹配识别模块、图像融合模块；
其中，所述图像融合模块对预处理完的图像进行图像融合的过程为：
设预处理完成的图像数据集为：



其中，m和n分别为预处理完成的图像个数和每幅图像中像素数，矩阵中的每一行向量表示一幅图像；
图像的线性变换为：
Y＝TX；
其中，X为待变换的图像数据矩阵，Y为变换后的图像矩阵，T为变换矩阵；
当T矩阵为正交矩阵，由待变换的图像数据矩阵X的协方差C的特征向量所组成，所述线性变换为K-L变换，并且K-L变换后的数据矩阵的每一行向量为一个主分量；
其中，所述K-L变换具体过程为：
根据待变换的图像数据矩阵X，求协方差C；
其中，X的协方差为：



求出协方差矩阵的特征值和特征向量，并组成变换矩阵，特征方程为：
(λI-C)U＝0；
其中，I为单位矩阵，U为特征向量；<...

【专利技术属性】
技术研发人员：刘筱，张铮铮，朱锋辉，姚爱明，燕宪亮，
申请(专利权)人：徐州医科大学附属医院，
类型：发明
国别省市：江苏;32