一种基于深度学习的髋臼杯角度自适应确定方法及装置制造方法及图纸

本申请提供了一种基于深度学习的髋臼杯角度自适应确定方法及装置，所述方法包括：基于股骨柄内植入的传感器，获取单个对象的传感器数据；基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型；基于训练完成的位置预测模型，从所述单个对象的传感器数据中筛选出多组规律数据；确定筛选后的每组规律数据对应的髋臼杯轴线；基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度。本申请中，通过设置在股骨柄假体内的传感器采集单个对象的假体运动数据，并基于该假体运动数据确定该对象的最佳髋臼杯角度，从而大大增加单个患者与髋臼杯角度的适应性。杯角度的适应性。

【技术实现步骤摘要】
一种基于深度学习的髋臼杯角度自适应确定方法及装置


[0001]本申请涉及数据处理
，具体而言，涉及一种基于深度学习的髋臼杯角度自适应确定方法及装置。

技术介绍

[0002]髋关节置换手术，也称为髋关节置换术或人工髋关节置换手术，是一种常见的外科手术，用于治疗髋关节严重损伤或疾病导致的疼痛和功能障碍。这种手术旨在恢复患者的髋关节功能，并显著减轻髋部疼痛，从而提高患者的生活质量。
[0003]髋关节置换手术的核心之一是确定患者正确的髋臼杯角度，从而准确地置换髋关节，减少置换关节对患者日常生活的负面影响。当前一般通过患者的医学图像结合髋臼杯理论角度等确定患者的髋臼杯角度，这种确定方式获取的髋臼杯角度虽然对所有患者均有一定普适性，但是对于单个患者而言效果较差。

技术实现思路

[0004]本申请解决的问题是当前髋臼杯角度的确定对单个患者效果较差。
[0005]为解决上述问题，本申请第一方面提供了一种基于深度学习的髋臼杯角度自适应确定方法，包括：
[0006]基于股骨柄内植入的传感器，获取单个对象的传感器数据，所述传感器数据包括轴向数据和定位数据；
[0007]基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型；
[0008]基于训练完成的位置预测模型，从所述单个对象的传感器数据中筛选出多组规律数据；
[0009]确定筛选后的每组规律数据对应的髋臼杯轴线；
[0010]基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度。
[0011]本申请第二方面提供了一种基于深度学习的髋臼杯角度自适应确定装置，其包括：
[0012]数据获取模块，其用于基于股骨柄内植入的传感器，获取单个对象的传感器数据，所述传感器数据包括轴向数据和定位数据；
[0013]模型训练模块，其用于基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型；
[0014]数据筛选模块，其用于基于训练完成的位置预测模型，从所述单个对象的传感器数据中筛选出多组规律数据；
[0015]轴线确定模块，其用于确定筛选后的每组规律数据对应的髋臼杯轴线；
[0016]角度确定模块，其用于基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度。
[0017]本申请第三方面提供了一种电子设备，其包括：存储器和处理器；
[0018]所述存储器，其用于存储程序；
[0019]所述处理器，耦合至所述存储器，用于执行所述程序，以用于：
[0020]基于股骨柄内植入的传感器，获取单个对象的传感器数据，所述传感器数据包括轴向数据和定位数据；
[0021]基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型；
[0022]基于训练完成的位置预测模型，从所述单个对象的传感器数据中筛选出多组规律数据；
[0023]确定筛选后的每组规律数据对应的髋臼杯轴线；
[0024]基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度。
[0025]本申请第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述所述的基于深度学习的髋臼杯角度自适应确定方法。
[0026]本申请中，通过设置在股骨柄假体内的传感器采集单个对象的假体运动数据，并基于该假体运动数据确定该对象的最佳髋臼杯角度，从而通过单个对象的实际数据获取单个患者的最佳髋臼杯角度，该获取的最佳髋臼杯角度与患者的实际运动情况对应，从而大大增加单个患者与髋臼杯角度的适应性。
[0027]本申请中，通过设置在股骨柄假体内的传感器采集单个对象的假体运动数据，为患者的动态数据，该数据可以准确反映患者的实际状态；且通过单个对象的假体运动数据确定该对象的最佳髋臼杯角度，从而可以建立髋臼杯角度与所述对象的肌肉发力、运动情况的严格对应关系，从而可以高度适配置换后的髋关节假体，避免髋关节假体置换后的重新适应。
附图说明
[0028]图1为根据本申请实施例的髋臼杯角度自适应确定方法的流程图；
[0029]图2为根据本申请实施例的假体中传感器植入位置的示意图；
[0030]图3为根据本申请实施例的髋臼杯角度自适应确定方法模型训练的流程图；
[0031]图4为根据本申请实施例的髋臼杯角度自适应确定方法位置预测模型的原理图；
[0032]图5为根据本申请实施例的髋臼杯角度自适应确定方法位置预测模型的架构图；
[0033]图6为根据本申请实施例的髋臼杯角度自适应确定方法轴线确定的流程图；
[0034]图7为根据本申请实施例的髋臼杯角度自适应确定方法二次筛选的流程图；
[0035]图8为根据本申请实施例的髋臼杯角度自适应确定装置的结构框图；
[0036]图9为根据本申请实施例的电子设备的结构框图。
具体实施方式
[0037]为使本申请的上述目的、特征和优点能够更为明显易懂，下面结合附图对本申请的具体实施例做详细的说明。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术
人员。
[0038]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
[0039]当前一般通过患者的医学图像结合髋臼杯理论角度等确定患者的髋臼杯角度，这种确定方式获取的髋臼杯角度虽然对所有患者均有一定普适性。但是一方面患者的医学图像是静态图像，其所反映的髋臼杯角度与患者的实际状态具有一定的出入性；另一方面髋臼杯理论角度是通过对所有人类骨骼模型及运动状态总结确定的，针对的是普适性，但是这种普适性并不会针对不同个体的特殊情况进行调整。
[0040]所以基于医学图像结合髋臼杯理论角度等确定的患者的髋臼杯角度，虽然具有普适性，但是对于具体的患者个体而言，其肌肉发力及运动情况适用的是置换前的髋关节，与置换后的髋关节假体适配性较低，需要在髋关节假体置换后进行重新适应。
[0041]针对上述问题，本申请提供一种新的基于深度学习的髋臼杯角度自适应确定方案，能够通过残差注意力机制进行医学图像的去噪学习，解决当前医学图像处理中缺乏医学去噪的方式的问题。
[0042]为了便于理解，在此对下述可能使用的术语进行解释：
[0043]无线充电：也称作称无线供电WPT(Wireless Power Transmission)，是以耦合的电磁场为媒介实现电能传递。
[0044]本申请实施例提供了一种基于深度学习的髋臼杯角度自适应确定方法，该方法的具体方案由图1
‑
图5所示，该方法可以由基于深度学习的髋臼杯角度自适应确定装置来执行，该基于深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的髋臼杯角度自适应确定方法，其特征在于，包括：基于股骨柄内植入的传感器，获取单个对象的传感器数据，所述传感器数据包括轴向数据和定位数据；基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型；基于训练完成的位置预测模型，从所述单个对象的传感器数据中筛选出多组规律数据；确定筛选后的每组规律数据对应的髋臼杯轴线；基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度。2.根据权利要求1所述的髋臼杯角度自适应确定方法，其特征在于，所述基于所述单个对象的传感器数据对位置预测模型进行训练，得到训练完成的位置预测模型，包括：从所述单个对象的传感器数据中随机选取多组训练数据，所述训练数据包括预设数量的传感器数据，且最后一个所述传感器数据为标注数据；将多组训练数据输入第一支路的多个第一Transformer Block模块，得到第一编码数据；将多组训练数据输入第二支路的多个第一Transformer Block模块，得到第二编码数据；将所述第一编码数据和第二编码数据相加后输入多个第二Transformer Block模块，得到预测传感器数据；基于所述标注数据和所述预测传感器数据，计算每组训练数据的预测损失，并筛除预测损失大于预设阈值的组；基于保留的训练数据计算整体预测损失，基于所述第一编码数据和第二编码数据，计算整体相似损失，并通过所述整体相似损失和所述整体预测损失，计算所述位置预测模型的整体损失；基于所述整体损失迭代所述位置预测模型，直至损失收敛为止。3.根据权利要求2所述的髋臼杯角度自适应确定方法，其特征在于，所述整体预测损失的计算公式为：其中，n为筛选后的训练数据的组数，i为组序号，(x
i
,y
i
,z
i
,θ
xi
,θ
yi
,θ
zi
)为第i组训练数据的预测传感器数据，(x
′
i
,y
′
i
,z
′
i
,θ
′
xi
,θ
′
yi
,θ
′
zi
)为第i组训练数据的标注数据，α、β为权重系数。4.根据权利要求1
‑
3中任一项所述的髋臼杯角度自适应确定方法，其特征在于，所述基于筛选后的所述髋臼杯轴线，确定最佳髋臼杯轴线及对应的最佳髋臼杯角度之前，还包括：对确定后的多个所述髋臼杯轴线进行二次筛选，得到筛选后的所述髋臼杯轴线。5.根据权利要求4所述的髋...

【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：