一种基于骨骼模板变形匹配的人体骨骼畸形测量方法技术

本发明专利技术公开了一种基于骨骼模板变形匹配的人体骨骼畸形测量方法，该方法包括：构建骨骼模板，并预标注语义区域；根据骨骼模板对神经网络进行训练；获取目标骨骼；利用训练过的神经网络将骨骼模板变形拟合至目标骨骼，得到变形后的骨骼模板；将变形后的骨骼模板上预标注的语义区域映射至目标骨骼，得到目标骨骼的语义区域；根据目标骨骼的语义区域提取骨骼轴线，测量骨骼参数。本发明专利技术能满足骨骼参数测量实际需求，有效提高骨骼畸形术前诊断与规划效率。率。率。

【技术实现步骤摘要】
一种基于骨骼模板变形匹配的人体骨骼畸形测量方法


[0001]本专利技术涉及骨骼测量
，具体是一种基于骨骼模板变形匹配的人体骨骼畸形测量方法。

技术介绍

[0002]在骨骼畸形诊疗中，医生需要在术前对骨骼进行精确语义分割与参数测量，根据畸形程度制定合适的手术方案，减少手术时间并降低术后并发症，骨骼外表面构成骨的外形结构，密度较高，骨骼内部区域质地松软，在骨骼手术术前规划中，医生需要考虑骨骼中各个语义区域的位置以及形状，需要将研究重点放在骨骼外表面的分割与提取上。测量骨骼中的诊疗参数，例如股骨前倾角与颈干角，首先需要提取骨骼语义区域，目前，骨骼各个语义的提取一般由医生根据自己的临床经验手工分割实现，这种方式自动化水平低且会存在个体差异，不能很好地满足骨骼术前规划的实际需求，如何准确提取骨骼语义成为难题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于骨骼模板变形匹配的人体骨骼畸形测量方法，以解决现有技术中由医生手工分割实现骨骼各个语义的提取的方式准确性低的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]本专利技术提供了一种基于骨骼模板变形匹配的人体骨骼畸形测量方法，所述方法包括如下步骤：
[0006]构建骨骼模板，并预标注语义区域；
[0007]根据骨骼模板对神经网络进行训练；
[0008]获取目标骨骼；
[0009]利用训练好的神经网络将骨骼模板变形拟合至目标骨骼，得到变形后的骨骼模板；
[0010]将变形后的骨骼模板上预标注的语义区域映射至目标骨骼，得到目标骨骼的语义区域；
[0011]根据目标骨骼的语义区域提取骨骼轴线，测量骨骼参数。
[0012]进一步的，所述构建骨骼模板的方法包括：
[0013]由骨骼训练样本获得一系列形状向量V＝{X1，X2，...，X
N
}，所述骨骼训练样本包含N个人体正常骨骼样本，其中，V为骨骼训练样本中所有人体正常骨骼样本的形状向量，X1为第一个人体正常骨骼样本的形状向量，X2为第二个人体正常骨骼样本的形状向量，X
N
为第N个人体正常骨骼样本的形状向量；
[0014]将所有形状向量进行归一化其中，X
i
为对第i个人体正常骨骼样本的形状向量，u为所有人体正常骨骼样本的平均形状向量，D为所有人体正常骨骼样本的形状向量与平均形状向量之间的距离之和；
[0015]对归一化后的所有形状向量进行分析和降维，得到主成分矩阵U；
[0016]基于主成分矩阵U生成骨骼模板s＝u+Uα，其中，s为骨骼模板，α为系数向量。
[0017]进一步的，所述根据骨骼模板对神经网络进行训练的方法包括：通过修改骨骼模板中的系数向量α，获得不同的骨骼模板，对每个骨骼模板预标注语义区域，将预标注有语义区域的骨骼模板作为神经网络的训练数据。
[0018]进一步的，所述获取目标骨骼的方法包括：利用Mimics软件将病人骨骼样本的CT数据重建为三维骨骼模型，再利用三维建模软件3
‑
matic将三维骨骼模型进行网格优化与重网格操作，得到目标骨骼。
[0019]进一步的，所述利用训练好的神经网络将骨骼模板变形拟合至目标骨骼，得到变形后的骨骼模板的方法包括：
[0020]获取骨骼模板和目标骨骼的所有拟合标志点，并构建骨骼模板与目标骨骼的所有拟合标志点之间的稀疏对应关系；
[0021]根据骨骼模板与目标骨骼的所有拟合标志点之间的稀疏对应关系，建立后验形状模型，并利用ASM算法对骨骼模板进行变形拟合；
[0022]循环迭代执行上述操作若干次，将骨骼模板变形拟合至目标骨骼，得到变形后的骨骼模板。
[0023]进一步的，所述利用训练好的神经网络将骨骼模板变形拟合至目标骨骼之前还需要利用三维建模软件3
‑
matic将骨骼模板与目标骨骼进行预配准。
[0024]进一步的，所述将变形后的骨骼模板上预标注的语义区域映射至目标骨骼，得到目标骨骼的语义区域的方法包括：
[0025]将目标骨骼中每个点的坐标记为Aj＝(x
j
，y
j
，z
j
)，其中，j为1、2
……
m，从变形后的骨骼模板中找到距离目标骨骼中每个点最近的前k个点记为{M1，M2，...，M
k
}，其中，M1、M2和M
k
均为骨骼模板中一系列特征点的坐标的集合M中的元素，所述前k个点所对应的语义区域记为{label1，label2，...，label
k
}；
[0026]统计计算{label1，label2，...，label
k
}中出现次数最多的语义区域记为label，将label作为A
j
的语义区域，按照上述操作计算出目标骨骼中所有点的语义区域，即得到目标骨骼的语义区域。
[0027]进一步的，所述根据目标骨骼的语义区域提取骨骼轴线，测量骨骼参数的方法包括：
[0028]根据目标骨骼的语义区域提取骨骼轴线；
[0029]基于骨骼轴线确定基准面；
[0030]根据骨骼轴线和基准面测量角度。
[0031]与现有技术相比，本专利技术的有益效果是：
[0032]本专利技术提供的一种基于骨骼模板变形匹配的人体骨骼畸形测量方法，本专利技术得到的语义区域DICE系数(集合相似度度量函数)精度达到94％；通过本专利技术进行股骨角度测量，颈干角平均误差为3.17
°
，前倾角平均误差为2.62
°
，本专利技术能够满足骨骼参数测量实际需求，有效提高骨骼畸形术前诊断与规划效率；不再需要人工选取拟合标志点，而是采用神经网络预测拟合标志点，所选取的拟合标志点对应关系更加准确，同时提高了自动化程度；将骨骼模板循环迭代变形拟合至目标骨骼，模板变形更加准确，实现精确的语义映射。
附图说明
[0033]图1是本专利技术实施例提供的一种基于骨骼模板变形匹配的人体骨骼畸形测量方法的总体示意图；
[0034]图2是本专利技术实施例提供的神经网络初步预测骨骼语义区域与本专利技术分割语义区域对比示意图；
[0035]图3是本专利技术实施例提供的骨骼模板匹配示意图；
[0036]图4是本专利技术实施例提供的骨骼轴线提取示意图；
[0037]图5是本专利技术实施例提供的语义分割具体结果示意图；
[0038]图6是是本专利技术实施例提供的头颈区域放大结果示意图；
[0039]图7是是本专利技术实施例提供的内外侧髁区域放大结果示意图。
具体实施方式
[0040]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于骨骼模板变形匹配的人体骨骼畸形测量方法，其特征在于，所述方法包括如下步骤：构建骨骼模板，并预标注语义区域；根据骨骼模板对神经网络进行训练；获取目标骨骼；利用训练好的神经网络将骨骼模板变形拟合至目标骨骼，得到变形后的骨骼模板；将变形后的骨骼模板上预标注的语义区域映射至目标骨骼，得到目标骨骼的语义区域；根据目标骨骼的语义区域提取骨骼轴线，测量骨骼参数。2.根据权利要求1所述的基于骨骼模板变形匹配的人体骨骼畸形测量方法，其特征在于，所述构建骨骼模板的方法包括：由骨骼训练样本获得一系列形状向量V＝{X1，X2，...，X
N
}，所述骨骼训练样本包含N个人体正常骨骼样本，其中，V为骨骼训练样本中所有人体正常骨骼样本的形状向量，X1为第一个人体正常骨骼样本的形状向量，X2为第二个人体正常骨骼样本的形状向量，X
N
为第N个人体正常骨骼样本的形状向量；将所有形状向量进行归一化其中，X
i
为对第i个人体正常骨骼样本的形状向量，为所有人体正常骨骼样本的平均形状向量，D为所有人体正常骨骼样本的形状向量与平均形状向量之间的距离之和；对归一化后的所有形状向量进行分析和降维，得到主成分矩阵U；基于主成分矩阵U生成骨骼模板其中，s为骨骼模板，α为系数向量。3.根据权利要求2所述的基于骨骼模板变形匹配的人体骨骼畸形测量方法，其特征在于，所述根据骨骼模板对神经网络进行训练的方法包括：通过修改骨骼模板中的系数向量α，获得不同的骨骼模板，对每个骨骼模板预标注语义区域，将预标注有语义区域的骨骼模板作为神经网络的训练数据。4.根据权利要求1所述的基于骨骼模板变形匹配的人体骨骼畸形测量方法，其特征在于，所述获取目标骨骼的方法包括：利用Mimics软件将病人骨骼样本的CT数据重建为三维骨骼模型，再利用三维建模软件3
‑
matic将三维骨骼模型进行网格优化与重网格操作，得到目标骨骼。5.根据权利要求1所述的基于骨骼模板变形匹配的人体骨骼畸形测量方法，其特征在于，所述利用训练好的神经网络将骨骼模板变形拟合至目标骨...

【专利技术属性】
技术研发人员：蒋俊锋，王菲，邓子越，黄瑞，何坤金，陈正鸣，
申请(专利权)人：河海大学，
类型：发明
国别省市：