一种基于深度学习的股骨滑车宽度测量方法技术

本发明专利技术公开了一种基于深度学习的股骨滑车宽度测量方法，包括：第一步、采集人体髌股关节CT影像，构建数据集，进行数据标注和预处理；第二步、构建MSC

【技术实现步骤摘要】
一种基于深度学习的股骨滑车宽度测量方法


[0001]本申请涉及医学影像和计算机辅助
，具体涉及一种基于深度学习的股骨滑车分割与宽度测量方法。

技术介绍

[0002]深度学习在医学影像学领域的应用是目前的研究热点，在临床与科研中得到越来越广泛的重视。传统的医学影像分析是由临床医生依据经验做出的主观判断，这不仅分析时间长，而且会有一定的主观性，导致准确性受到影响。随着医疗技术和计算机技术的发展，更多的医生利用计算机辅助技术来对患者病变部位进行分析和处理，例如使用深度学习算法快速地得到病变部位的大小，形状等，帮助医生更容易地获得病变区域的病症信息，大大地提高了分析的准确性和可靠性。
[0003]股骨滑车发育不良和骨性关节炎是临床上常见的征象，滑车假体置换是解决上述重病症的一种手术治疗方案。由于选择匹配患者滑车结构的假体，是手术最重要的环节之一，直接关系到术后的治疗效果，而我国滑车假体置换手术所使用的滑车假体多是国外进口假体，并不能很好的匹配我国患者的滑车结构，医生也只能在CT上粗略的判断患者滑车的宽度信息，不能精确的进行测量，从而会出现滑车假体不能很好的贴合患者的滑车结构，很大概率会导致置换手术出现术后并发症。
[0004]过去的十几年，传统的计算机视觉算法在医学影像分割领域占据了主流。这类方法依据的是目标颜色和背景的差异，或者目标强烈的边缘响应等。但这些基于人工设计特征或者阈值的方法通常不具备很强的普适性。对于不同的医学扫描设备，使用不同的扫描剂量，以及使用不同的窗宽和窗位都会对分割的结果造成巨大的影响。而且，基于传统的测量方式是在CPU上进行计算的，反应速度比基于GPU的深度学习技术慢许多倍，而基于深度学习的分割方法虽然已经被提出，但在股骨滑车的分割上暂时还没有被使用。

技术实现思路

[0005]本专利技术是为了解决上述现有技术存在的不足之处，提供一种基于深度学习的股骨滑车宽度测量方法，以期能够快速分割股骨结构，重建三维股骨模型，以测量股骨滑车的宽度，从而能减少测量时间，并提高准确性和可靠性。
[0006]本专利技术为解决问题，采用如下方案：
[0007]本专利技术一种基于深度学习的股骨滑车宽度测量方法的特点在于，包括以下步骤：
[0008]步骤一、采集CT影像并进行数据标注，从而构建数据集；
[0009]步骤1.1：采集多位用户的髌股关节CT影像图，并对第i个用户的CT影像图进行信息脱敏处理后再进行归一化预处理，得到第i个用户的三维CT数据矩阵S
i
；对所述第i个用户的CT影像图中的股骨结构进行标注，得到第i个用户的三维标签数据矩阵M
i
；
[0010]步骤1.2：在深度方向分别对三维CT数据矩阵S
i
和三维标签数据矩阵M
i
进行切片处理，相应得到第i个用户的CT切片数据矩阵集合{s
1,i
,
…
,s
n,i
,
…
s
N,i
}和标签切片数据矩阵
集合{m
1,i
,
…
,m
n,i
,
…
m
N,i
}，其中，s
n,i
表示第i个用户的第n个CT切片数据矩阵，m
n,i
表示与s
n,i
相对应的标签切片数据矩阵，N表示切片总数；
[0011]步骤二、构建MSC
‑
Net分割网络，包括：编码层、中间层、解码层以及输出模块；
[0012]步骤2.1：所述编码层由K个MSC模块和K
‑
1个池化层依次交替连接组成，其中，第k级MSC模块包括：一个特征提取块U
k
，两个卷积层，三个BN层和ReLU激活函数层，且所述特征提取块U
k
由a1个卷积层并联而成；
[0013]当k＝1时，所述第n个切片数据矩阵s
n,i
输入至第k级MSC模块中，并利用式(1)
‑
式(4)得到第k级MSC模块输出的特征图将所述特征图输入至第k级池化层中，将特征图的长宽变为输入的并输出特征图其中，w表示缩放系数；
[0014]当k＝2,3,
…
,K
‑
1时，将特征图作为第k级MSC模块的输入，并得到相应的输出特征图并将所述特征图作为第k级池化层的输入，从而由第K
‑
1个池化层的输出并将所述特征图作为第K级MSC模块的输入，最终得到解码层输出的特征图
[0015][0016][0017][0018][0019]式(1)
‑
式(4)中，f表示输入数据，当k＝1时，f＝s
n,i
，当k＝2,3,
…
,K
‑
1时，1时，表示第k级MSC模块中的第1个卷积层，分别表示第k级MSC模块中的第1、2、3个BN层；分别表示第k级MSC模块中的第1、2、3个ReLu激活函数层，表示第k级MSC模块中的第1个卷积层输出的特征图，Conv
n,k
和分别表示第k级MSC模块的特征提取块U
k
中的第n个卷积层及其输出的特征图，Cat表示拼接操作，表示第k级MSC模块中的特征提取块U
k
输出的特征图，表示第k级MSC模块输出的特征图，且
[0020]步骤2.2：所述中间层包括一个全局池化层，两个全连接层，一个ReLu激活函数层和一个Sigmoid函数；
[0021]所述特征图输入至中间层中，并利用式(5)得到中间层输出的特征图MidResult
n,i
；
[0022][0023]式(5)中，e表示所述特征图FC1、FC2分别表示中间层的第1、2个全连接
层，δ表示中间层的ReLu激活函数层，σ表示中间层的Sigmoid函数，表示权重相乘，E表示所述特征图MidResult
n,i
；
[0024]步骤2.3：所述解码层由K
‑
1个解码卷积块组成；其中，第k级解码卷积块由b1个反卷积层，2b1个卷积层，BN层，RelU激活函数层组成；
[0025]当k＝1时，所述特征图MidResult
n,i
输入至第k级解码卷积块中，并利用式(6)得到第k级解码卷积块输出的特征图UResult
k
；并对所述特征图UResult
k
与所述特征图进行拼接操作后，作为第k+1级解码卷积块的输入；
[0026]当k＝2,3,
…
K
‑
1时，对所述特征图UResult
k
与特征图进行拼接操作后，作为第k+1级解码卷积块的输入，从而由第K
‑
1级解码卷积块得到所述解码层最终输出的特征图Result；
[0027][00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滑车宽度测量方法，其特征在于，包括以下步骤：步骤一、采集CT影像并进行数据标注，从而构建数据集；步骤1.1：采集多位用户的髌股关节CT影像图，并对第i个用户的CT影像图进行信息脱敏处理后再进行归一化预处理，得到第i个用户的三维CT数据矩阵S
i
；对所述第i个用户的CT影像图中的股骨结构进行标注，得到第i个用户的三维标签数据矩阵M
i
；步骤1.2：在深度方向分别对三维CT数据矩阵S
i
和三维标签数据矩阵M
i
进行切片处理，相应得到第i个用户的CT切片数据矩阵集合{s
1,i
,
…
,s
n,i
,
…
s
N,i
}和标签切片数据矩阵集合{m
1,i
,
…
,m
n,i
,
…
m
N,i
}，其中，s
n,i
表示第i个用户的第n个CT切片数据矩阵，m
n,i
表示与s
n,i
相对应的标签切片数据矩阵，N表示切片总数；步骤二、构建MSC
‑
Net分割网络，包括：编码层、中间层、解码层以及输出模块；步骤2.1：所述编码层由K个MSC模块和K
‑
1个池化层依次交替连接组成，其中，第k级MSC模块包括：一个特征提取块U
k
，两个卷积层，三个BN层和ReLU激活函数层，且所述特征提取块U
k
由a1个卷积层并联而成；当k＝1时，所述第n个切片数据矩阵s
n,i
输入至第k级MSC模块中，并利用式(1)
‑
式(4)得到第k级MSC模块输出的特征图将所述特征图输入至第k级池化层中，将特征图的长宽变为输入的并输出特征图其中，w表示缩放系数；当k＝2,3,
…
,K
‑
1时，将特征图作为第k级MSC模块的输入，并得到相应的输出特征图并将所述特征图作为第k级池化层的输入，从而由第K
‑
1个池化层的输出并将所述特征图作为第K级MSC模块的输入，最终得到解码层输出的特征图码层输出的特征图码层输出的特征图码层输出的特征图码层输出的特征图式(1)
‑
式(4)中，f表示输入数据，当k＝1时，f＝s
n,i
，当k＝2,3,
…
,K
‑
1时，1时，表示第k级MSC模块中的第1个卷积层，分别表示第k级MSC模块中的第1、2、3个BN层；分别表示第k级MSC模块中的第1、2、3个ReLu激活函数层，表示第k级MSC模块中的第1个卷积层输出的特征图，Conv
n,k
和分别表示第k级MSC模块的特征提取块U
k
中的第n个卷积层及其输出的特征图，Cat表示拼接操作，表示第k级MSC模块中的特征提取块U
k
输出的特征图，表示第k级MSC模块输出的特征图，且步骤2.2：所述中间层包括一个全局池化层，两个全连接层，一个ReLu激活函数层和一个Sigmoid函数；
所述特征图输入至中间层中，并利用式(5)得到中间层输出的特征图MidResult
n,i
；式(5)中，e表示所述特征图FC1、FC2分别表示中间层的第1、2个全连接层，δ表示中间层的ReLu激活函数层，σ表示中间层的Sigmoid函数，表示权重相乘，E表示所述特征图MidResult
n,i
；步骤2.3：所述解码层由K
‑
1个解码卷积块组成；其中，第k级解码卷积块由b1个反卷积层，2b1个卷积层，BN层，RelU激活函数层组成；当k＝1时，所述特征图Mi...

【专利技术属性】
技术研发人员：谭大禹，姚致远，戴益科，周晓平，花林枫，丁睿，苏延森，郑春厚，
申请(专利权)人：安徽大学，
类型：发明
国别省市：