基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法技术

本发明专利技术属于数字医疗、图像处理技术领域，公开了一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法。该方法可自动处理患有髋关节疾病患者的CT影像数据，通过多任务级联深度学习网络实现对输入CT影像的盆骨分割及大规模的解剖标志点标注，并采用第二阶段网络精细分割髋臼局部影像，后续使用网络分割结果与标志点位置自动计算出髋臼的相关参数，匹配合适的髋臼假体，模拟假体正确的放置位置。通过本方法可通过患者CT影像自动计算并给出手术中所需要的假体参数，实现了在术前计划中对髋臼假体的尺寸计算、位置定位，以及髋关节三维解剖结构的可视化展示，为医生提供更多参考信息，提高术前规划的精度，进而提升手术质量。量。量。

【技术实现步骤摘要】
基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法


[0001]本专利技术涉及数字医疗、图像处理
，具体涉及基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法。

技术介绍

[0002]全髋关节置换术是最常见的成人髋关节重建手术，具有恢复关节功能、解除关节疼痛、保持关节稳定和修复肢体长度等众多优点。由于患者髋关节解剖结构的复杂性与多样性，对于全髋关节置换手术来说需要精准而详尽的手术计划。髋臼假体设计是术前规划中重要的一环，为了有效恢复髋关节正常功能，降低术中和术后并发症发生率，需要选择髋臼假体正确的尺寸和摆放位置。
[0003]Mainard D,Barbier O,Knafo Y,et al.Accuracy and reproducibility of preoperative three
‑
dimensional planning for total hip arthroplasty using biplanar low
‑
dose radiographs:a pilot study中公开的在X线平片上进行胶片模板测量是目前临床实践中使用较多的标准技术，医生使用假体厂家提供的透明胶片模板贴附在X线胶片上进行比较、分析、估计，但由于髋关节是一个三维的解剖结构，并且受到X射线检查期间放大率和投影变化的影响，此方法存在很多局限性。Bishi H,Smith J B V,Asopa V,et al.Comparison of the accuracy of 2D and 3D templating methods for planning primary total hip replacement:a systematic review and meta
‑
analysis中基于CT影像的三维术前分析可以通过相关软件对髋关节进行几何建模进而实现对髋关节假体大小、位置的精准预测，但是该方法需要医生手动去实现髋关节的骨分割与解剖标志点标注，耗时又费力。
[0004]深度学习的方法在医学图像处理与分析领域取得了显著的结果。基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法可以将患者的CT影像通过深度学习算法自动进行骨骼分割以及解剖标志点的标注，后续通过分割标签与标志点位置可以自动计算出髋臼的相关参数，匹配合适的髋臼假体，模拟假体正确的放置位置，在计算机中进行可视化展示及虚拟手术，可以在术前为医生提供患者髋关节的解剖结构信息，进而保障手术的顺利进行。

技术实现思路

[0005]本专利技术提出一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法，该方法自动处理患有髋关节疾病患者的CT影像数据，通过多任务的深度学习网络模型实现对输入CT影像的盆骨分割及大规模的解剖标志点标注，后续使用分割结果与标志点位置自动计算出髋臼的相关参数，匹配合适的髋臼假体，模拟假体正确的放置位置；该方法主要适用于全髋关节置换术的术前规划中髋臼假体的自动化设计与定位。
[0006]本专利技术的技术方案如下：
[0007]一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法，包括步骤如
下：
[0008]S1、数据预处理；
[0009]S11、图像归一化；图像中常用的像素级别的数据预处理是算法使用与临床诊断的必要初始步骤，对于算法的训练和推理有着至关重要的影响。对于包含髋臼的盆骨CT图像，采用统一的CT值范围对CT图像的灰度归一化到[0,1]之间，以消除异常值的影响；根据多任务深度学习网络模型的需求，将归一化后的CT图像降采样为低分辨率与高分辨率两种形式；
[0010]S12、数据增强；深度学习方法的成功包括硬件计算能力的提升、训练数据量的增多以及合理有效的网络结构。然而，对于医学影像来说，有效的训练数据需要专业的医生花费大量的时间进行标注，这导致了获取训练数据的成本变得昂贵。为了从有限的数据中尽可能获取更多有用的信息，对训练数据可执行一些微小的改变来扩增数据集的数量，具体包括随机旋转、缩放、平移、仿射变换、随机噪声、局部像素重排、内向填充和外向填充；
[0011]S2、构建联合分割与标志点检测的多任务级联深度学习网络；
[0012]将包含髋臼的盆骨CT图像输入至联合分割与标志点检测的多任务级联深度学习网络中，输出包括左髋、右髋、骶骨在内的多个骨骼的粗分割标签、髋臼局部的细化分割标签以及大规模的标志点；标志点包括双侧髂前上棘、耻骨联合点、髋臼沿上的点等。
[0013]联合分割与标志点检测的多任务级联深度学习网络包括两个阶段，第一阶段从低分辨率的CT图像中执行粗分割及大规模的标志点检测任务，第二阶段根据第一阶段得到的标志点裁剪髋臼局部的高分辨率图像，使用级联的分割网络进行细化分割；
[0014]第一阶段的多任务深度学习网络包括两个分支：分割分支与标志点检测分支；
[0015]S21、分割分支由类U
‑
Net结构组成，包含编码器和解码器两个部分；编码器部分包括四个子模块，每个子模块包含两个卷积操作以及一个分段线性激活函数，编码器还包括四次下采样操作，将3D数据的通道数从3扩展到256，以此来捕捉三维图像中的高维度信息；
[0016]解码器与编码器相对应，包含四个子模块，每个子模块包括两个卷积操作以及一个分段线性激活函数，解码器包含四次上采样操作，通过上采样将由编码器处理得到的特征图的分辨率恢复到原始输入图像的尺寸；
[0017]在编码器和解码器之间，采用了跳跃连接(skip
‑
connection)操作，将编码器不同阶段得到的图像特征融合到解码器的解码阶段，使得上采样后的特征图融合更多低级特征；这样可以保证网络的分割结果更加准确。
[0018]对于粗分割结果，分割分支采用Dice Loss损失函数来进行约束，以解决类别不平衡的问题；Dice Loss定义为：
[0019][0020]其中，X为预测粗分割结果矩阵，Y为真实标签矩阵，X∩Y为两者交集；|X|和|Y|分别为粗分割结果和真实标签矩阵的体素之和；对于每个体素，选择概率最高的类作为最终的粗分割预测结果；
[0021]S22、标志点检测分支；遵循多任务深度学习网络中硬参数共享的原则，标志点检测分支与分割分支共享相同的编码器，并且具有相同的解码器；与传统标志点检测方式不同，标志点检测分支将标志点检测问题转化为热图回归问题，标志点的离散坐标建模为具
有以点位置为中心的高斯分布的通道热图；距离标志点坐标越近的热图具有越高的像素值，随着与标志点坐标距离的增加，像素值迅速减小。
[0022]考虑到通道热图中的背景与高斯区域之间的严重不平衡，标志点检测分支采用Focal loss损失函数来解决类别不平衡的问题；采用固定阈值以划分正负样本，将通道热图中像素值大于固定阈值的区域视为正样本，其余区域视为负样本；正负样本的难度权重定义为：
[0023][0024]其中，S
pre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全髋关节置换术中髋臼杯的自动化规划方法，其特征在于，包括步骤如下：S1、数据预处理；S11、图像归一化；对于包含髋臼的盆骨CT图像，采用统一的CT值范围对CT图像的灰度归一化到[0,1]之间；将归一化后的CT图像降采样为低分辨率与高分辨率两种形式；S12、数据增强；包括随机旋转、缩放、平移、仿射变换、随机噪声、局部像素重排、内向填充和外向填充；S2、构建联合分割与标志点检测的多任务级联深度学习网络；将包含髋臼的盆骨CT图像输入至联合分割与标志点检测的多任务级联深度学习网络中，输出包括左髋、右髋、骶骨在内的多个骨骼的粗分割标签、髋臼局部的细化分割标签以及大规模的标志点；联合分割与标志点检测的多任务级联深度学习网络包括两个阶段，第一阶段从低分辨率的CT图像中执行粗分割及大规模的标志点检测任务，第二阶段根据第一阶段得到的标志点裁剪髋臼局部的高分辨率图像，使用级联的分割网络进行细化分割；第一阶段的多任务深度学习网络包括两个分支：分割分支与标志点检测分支；S21、分割分支由类U
‑
Net结构组成，包含编码器和解码器两个部分；编码器部分包括四个子模块，每个子模块包含两个卷积操作以及一个分段线性激活函数，编码器还包括四次下采样操作，将3D数据的通道数从3扩展到256，以此来捕捉三维图像中的高维度信息；解码器与编码器相对应，包含四个子模块，每个子模块包括两个卷积操作以及一个分段线性激活函数，解码器包含四次上采样操作，通过上采样将由编码器处理得到的特征图的分辨率恢复到原始输入图像的尺寸；在编码器和解码器之间，采用了跳跃连接操作，将编码器不同阶段得到的图像特征融合到解码器的解码阶段，使得上采样后的特征图融合更多低级特征；对于粗分割结果，分割分支采用Dice Loss损失函数来进行约束，以解决类别不平衡的问题；Dice Loss定义为：其中，X为预测粗分割结果矩阵，Y为真实标签矩阵，X∩Y为两者交集；|X|和|Y|分别为粗分割结果和真实标签矩阵的体素之和；对于每个体素，选择概率最高的类作为最终的粗分割预测结果；S22、标志点检测分支；遵循多任务深度学习网络中硬参数共享的原则，标志点检测分支与分割分支共享相同的编码器，并且具有相同的解码器；标志点检测分支将标志点检测问题转化为热图回归问题，标志点的离散坐标建模为具有以点位置为中心的高斯分布的通道热图；距离标志点坐标越近的热图具有越高的像素值；考虑到通道热图中的背景与高斯区域之间的严重不平衡，标志点检测分支采用Focalloss损失函数来解决类别不平衡的问题；采用固定阈值以划分正负样本，将通道热图中像素值大于固定阈值的区域视为正样本，其余区域视为负样本；正负样本的难度权重定义为：
其中，S
pre
为多任务深度学习网络预测的通道热图，S
gt
为根据特征点标定结果生成的通道热图标签，区分正负样本的阈值为thre；在此基础上，Focal loss损失函数定义为：获取通道热图中像素值最高的坐标作为该通道所对应标志点的预测坐标；S23、髋臼分割细化；第一阶段多任务深度学习网络的输出结果输入至第二阶段细化分割网络，获得髋臼局部区域的细化分割结果；基于第一阶段中标志...

【专利技术属性】
技术研发人员：王洪凯，翟浩宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：