本发明专利技术提供一种基于深度学习的股骨髓腔形态识别方法、装置及存储介质，包括：获取髋关节的二维医学图像；基于预先训练好的图像分割网络对髋关节的二维医学图像进行图像分割处理，基于图像分割结果得到股骨区域的二维医学图像；对股骨区域的二维医学图像进行处理，得到股骨的三维医学图像；在患者的冠状面方向上，将股骨的三维医学图像通过正投影变换得到股骨的正投影图像；对股骨的正投影图像进行透视处理，得到股骨的透视图像；将股骨的透视图像输入VGG分类器网络，以获得VGG分类网络输出的股骨的髓腔形态的种类。本发明专利技术提供的股骨髓腔形态识别方法，能够基于髋关节的二维医学图像使用深度学习技术对股骨的髓腔形态的种类进行精准识别。进行精准识别。进行精准识别。
【技术实现步骤摘要】
基于深度学习的股骨髓腔形态识别方法、装置及存储介质
[0001]本专利技术涉及股骨髓腔形态识别
，尤其涉及一种基于深度学习的股骨髓腔形态识别方法、装置及存储介质。
技术介绍
[0002]人工髋关节置换是指用生物相容性良好的材料制成的类似人体骨关节的假体，置换被疾病或损伤所破坏的关节或关节平面，从而缓解关节疼痛、矫正畸形假体、改善关节的活动功能。股骨髓腔形态特征对人工髋关节假体设计有重要指导作用，人工髋关节假体植入后的稳定性与假体和髓腔的匹配程度有直接关系。
[0003]若股骨髓腔形态特征的分析方法不合理，则会导致髋关节假体和人体匹配程度不理想，严重的可能会出现人工髋关节置换手术失败；而且，由于股骨髓腔形态特征有很大的个体差异，正确地描述股骨髓腔形态显得十分关键。
[0004]相关技术通常在描述股骨髓腔形态学特征参数时，只计算股骨各关键部位的长度(如冠状径或者矢状径)，然而单纯的只计算股骨关键位置处的冠状径或者矢状径并不能全面准确地反映股骨髓腔的形态。因此，如何寻找出合理的股骨髓腔形态识别方法对选择合适的髋关节假体及手术实施方案有重要指导作用。
技术实现思路
[0005]本专利技术实施例提供一种基于深度学习的股骨髓腔形态识别方法、装置及存储介质，用以解决相关技术中只计算股骨关键位置处的冠状径或者矢状径，并不能全面准确地反映股骨的髓腔形态的种类的问题。
[0006]本专利技术实施例的第一方面，提供一种基于深度学习的股骨髓腔形态识别方法，包括：
[0007]获取髋关节的二维医学图像；
[0008]基于预先训练好的图像分割网络模型对所述髋关节的二维医学图像进行图像分割处理，基于图像分割结果得到股骨区域的二维医学图像；
[0009]对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像；
[0010]在患者的冠状面方向上，将所述股骨的三维医学图像通过正投影变换得到股骨的正投影图像；
[0011]对所述股骨的正投影图像进行透视处理，得到所述股骨的透视图像；
[0012]将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类。
[0013]可选地，在第一方面的一种可能实现方式中，对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像，包括：
[0014]对所述股骨区域的二维医学图像进行三维重建，得到所述股骨区域的三维医学图像；
[0015]基于所述股骨区域的三维医学图像，获得所述股骨区域的像素点点集中包含的若干个像素点的坐标；
[0016]基于所述若干个像素点的坐标，分别确定X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点；
[0017]根据所述X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点，确定所述股骨的三维医学图像。
[0018]可选地，在第一方面的一种可能实现方式中，所述图像分割网络模型的预先训练过程包括：
[0019]获取髋关节的二维医学图像数据集，其中，所述二维医学图像数据集中包含有多个二维医学图像；
[0020]标注出各个所述二维医学图像中的股骨区域；
[0021]将经过标注后的各个二维医学图像按照预设比例划分为训练数据集、验证数据集和测试数据集；
[0022]基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型。
[0023]可选地，在第一方面的一种可能实现方式中，基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型，包括：
[0024]通过第一图像分割网络模型对所述训练数据集进行粗分割处理：对所述训练数据集中的二维医学图像执行多次下采样，以通过卷积层和池化层的处理识别各二维医学图像的深层特征；对进行下采样后的二维医学图像执行多次上采样，以通过上采样层和卷积层的处理反向存储所述深层特征至所述二维医学图像中；利用Adam分类优化器进行图像粗分类处理，获得图像粗分割结果；其中，所述各卷积层后均设置有激活函数；
[0025]通过第二图像分割模型对所述图像粗分割结果进行精分割处理：从所述深层特征中筛选预设置信度的特征点数据，对所述特征点数据进行双线性插值计算，基于计算后的特征点数据识别所述深层特征的所属类别，获得最终的图像分割结果；
[0026]基于所述最终的图像分割结果以及所述训练数据集、验证数据集和测试数据集计算损失函数；
[0027]基于所述损失函数调整所述图像分割网络模型的参数，直至所述图像分割网络模型训练成功。
[0028]可选地，在第一方面的一种可能实现方式中，所述将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类，包括：
[0029]所述VGG分类器网络输出的股骨的髓腔形态的种类包括：正常型、香槟型、烟囱型。
[0030]可选地，在第一方面的一种可能实现方式中，所述VGG分类器网络包含16个隐藏层，包括：13个卷积层和3个全连接层。
[0031]本专利技术实施例的第二方面，提供一种基于深度学习的股骨髓腔形态识别装置，包括：
[0032]获取模块，用于获取髋关节的二维医学图像；
[0033]分割模块，用于基于预先训练好的图像分割网络模型对所述髋关节的二维医学图像进行图像分割处理，基于图像分割结果得到股骨区域的二维医学图像；
[0034]图像处理模块，用于对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像；在患者的冠状面方向上，将所述股骨的三维医学图像通过正投影变换得到股骨的正投影图像；对所述股骨的正投影图像进行透视处理，得到所述股骨的透视图像；
[0035]分类模块，用于将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类。
[0036]可选地，在第二方面的一种可能实现方式中，所述图像处理模块，还用于执行以下步骤，包括：
[0037]对所述股骨区域的二维医学图像进行三维重建，得到所述股骨区域的三维医学图像；
[0038]基于所述股骨区域的三维医学图像，获得所述股骨区域的像素点点集中包含的若干个像素点的坐标；
[0039]基于所述若干个像素点的坐标，分别确定X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点；
[0040]根据所述X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点，确定所述股骨的三维医学图像。
[0041]本专利技术实施例的第三方面，提供一本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的股骨髓腔形态识别方法，其特征在于，包括：获取髋关节的二维医学图像；基于预先训练好的图像分割网络模型对所述髋关节的二维医学图像进行图像分割处理，基于图像分割结果得到股骨区域的二维医学图像；对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像；在患者的冠状面方向上，将所述股骨的三维医学图像通过正投影变换得到股骨的正投影图像；对所述股骨的正投影图像进行透视处理，得到所述股骨的透视图像；将所述股骨的透视图像输入VGG分类器网络，以获得所述VGG分类器网络输出的股骨的髓腔形态的种类。2.根据权利要求1所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，对所述股骨区域的二维医学图像进行处理，得到股骨的三维医学图像，包括：对所述股骨区域的二维医学图像进行三维重建，得到所述股骨区域的三维医学图像；基于所述股骨区域的三维医学图像，获得所述股骨区域的像素点点集中包含的若干个像素点的坐标；基于所述若干个像素点的坐标，分别确定X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点；根据所述X轴坐标值最大的像素点、X轴坐标值最小的像素点、Y轴坐标值最大的像素点、Y轴坐标值最小的像素点、Z轴坐标值最大的像素点和Z轴坐标值最小的像素点，确定所述股骨的三维医学图像。3.根据权利要求1所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，所述图像分割网络模型的预先训练过程包括：获取髋关节的二维医学图像数据集，其中，所述二维医学图像数据集中包含有多个二维医学图像；标注出各个所述二维医学图像中的股骨区域；将经过标注后的各个二维医学图像按照预设比例划分为训练数据集、验证数据集和测试数据集；基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型。4.根据权利要求3所述的基于深度学习的股骨髓腔形态识别方法，其特征在于，基于所述训练数据集、验证数据集、测试数据集并结合神经网络算法和深度学习训练出图像分割网络模型，包括：通过第一图像分割网络模型对所述训练数据集进行粗分割处理：对所述训练数据集中的二维医学图像执行多次下采样，以通过卷积层和池化层的处理识别各二维医学图像的深层特征；对进行下采样后的二维医学图像执行多次上采样，以通过上采样层和卷积层的处理反向存储所述深层特征至所述二维医学图像中；利用Adam分类优化器进行图像粗分类处理，获得图像粗分割结果；其中，所述各卷积层后均设置有激活函数；通过第二图像分割模型对所述图像粗分割结果进行精分割处理：从所述深层特征中筛
选预设置信度的特征点数据，对所述特征点...
【专利技术属性】
技术研发人员：张逸凌，刘星宇，
申请(专利权)人：张逸凌，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。