【技术实现步骤摘要】
一种基于深度学习的骨空间微结构假体构建方法
[0001]本专利技术属于假体制造
，具体涉及一种基于深度学习的骨空间微结构假体构建方法。
技术介绍
[0002]随着人口老龄化，关节疾病患者越来越多，行人工关节置换患者逐年增加。由于目前假体多采用骨水泥固定假体，但是骨水泥存在本身毒性及长期失效等问题，亟需一种新的假体。近年来生物型固定假体逐渐出现在人们眼前，通过早期机械固定方式实现假体与骨的固定，晚期实现骨长入的生物固定模式。但目前不管是骨水泥型假体还是生物型假体，其生产方式均为标准化流水线生产，其假体型号单一，不能匹配每一个患者特有的骨形态结构等特征，因此其效果不佳。而近年来3D打印个性化假体逐渐出现在发展规划中，成为研究的热点，目前的假体均为在假体界面构建了特殊结构，但其结构未能出现在假体内部，且结构单一，导致假体不能和原生骨很好的融合，手术后假体寿命有限，因此急需一款更加个性化的假体。
[0003]此外，现有个性化假体模型构建过程使用人工进行，需要完成CT三维重建的选点重组的一系列过程，其工作繁琐且完成选点等...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的骨空间微结构假体构建方法，其特征在于，包括以下步骤：S1、获取骨CT图像；S2、通过骨微结构3D Trans
‑
Unet网络对骨CT图像进行特征识别，并获得骨空间微结构3D模型；S3、基于骨微结构3D模型，构建出具有骨空间微结构的假体，经3D打印技术实现打印。2.根据权利要求1所述的基于深度学习的骨空间微结构假体构建方法，其特征在于，所述步骤S2中，所述骨微结构3D Trans
‑
Unet网络包括依次连接的3D CNN、编码器和三维CNN解码器；其中，3D CNN用于提取输入骨CT图像的体积空间特征图；Transformer编码器用于根据体积空间特征图进行全局特征建模；三维CNN解码器用于根据全局特征建模构建骨微结构3D模型。3.根据权利要求2所述的基于深度学习的骨空间微结构假体构建方法，其特征在于，所述3D CNN对骨CT图像进行处理的方法具体为：SA21、通过Downsamping堆叠3
×3×
3的卷积块将骨CT图像编码为低分辨率/高层次的特征表示；SA22、将骨CT图像分割成固定尺寸的补丁块，并将其中的三维体积数据分割成三维补丁块；SA23、将补丁块的特征嵌入到特征表示中，获得骨CT图像的体积空间特征图其中，K为通道维度，K＝128，H
×
W为骨CT图像的分辨率，D为骨CT图像的深度维度。4.根据权利要求3所述的基于深度学习的骨空间微结构假体构建方法，其特征在于，所述编码器包括依次连接的特征嵌入层和Transformer层。5.根据权利要求4所述的基于深度学习的骨空间微结构假体构建方法，其特征在于，所述特征嵌入层对输入体积空间特征图的处理方法为：SB21、使用线性投影将体积空间特征图的通道维度扩展至5...
【专利技术属性】
技术研发人员：周宗科，万旭峰，黄超，任凯，王端，苏强，曹建，崔靖宇，万肴棚，潘南方，杜双庆，
申请(专利权)人：四川大学华西医院，
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。