System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及骨修复植入体,特别涉及一种基于深度学习的骨折眼眶壁自动重建方法。
技术介绍
1、眼眶爆裂性骨折是临床最常见的眼眶疾患之一,当强烈外力作用于眼球或眼眶,眶压骤然上升,将压迫眶骨使其骨折凹陷。骨折后眼眶骨片无法自然回复至原位愈合,需要手术植入人工材料对骨折处进行修复,被广泛应用的人工材料主要包括钛网及可吸收材料。上述材料形状多为平面,而眼眶壁为不规则曲面,在传统的眼科骨折修复手术中,需医师凭经验反复尝试调整,才能将平面结构的材料弯曲塑形为期望的形状和大小,这一过程耗时长、精准性差,塑形的效率难以衡量,增加了手术风险。
2、随着技术的发展,为了提高材料塑形精度,目前临床可在术前根据患者眼眶ct数据,利用mimics等分割软件,将健侧的正常眼眶形状进行三维重建,以翻转后的健侧图像为基础对患侧眼眶壁进行虚拟修补。但由于正常眼眶无法被完全准确分割,且眼眶生理解剖结构不完全对称、正中矢状面位置不确切以及眼眶壁菲薄,一般很难基于ct数据重建出完整的眼眶壁,因此在通过镜像技术对健侧的正常眼眶进行翻转后,需要再反复对翻转后的图像手动进行调整,才能得到近似的预期模型。建立预期模型后,使用3d打印技术得到翻转调整后的模型,辅助术中材料塑形,同时将预期模型导入导航系统,引导术中材料植入。
3、但在技术限制下,术前的这一设计过程需要资深生物工程师与高年资的眼眶病专科医生共同合作,并不断调整设计方案,才能完成患者个性化植入材料的定制,耗费时间与人力,要求设计者有高水平资质与丰富的临床经验,这样的方案难以被推广应用,影响了
技术实现思路
1、本专利技术的目的是提供一种基于深度学习的骨折眼眶壁自动重建方法,将骨折眼眶壁的对称解剖先验知识图像作为生成对抗网络的对称解剖先验知识引导,并通过鉴别网络对生成的眼眶壁进行判断识别,以实现精确快速的爆裂性眼眶骨折自动重建。
2、为了实现以上目的,本专利技术提供了一种基于深度学习的骨折眼眶壁自动重建方法,包括如下步骤:
3、一种基于深度学习的骨折眼眶壁自动重建方法,包括如下步骤:
4、s1,从头部ct图像中提取预设大小的眼眶感兴趣区域,得到双侧眼眶图像;
5、s2,从双侧眼眶图像中分离左右眼眶区域,获得健侧眼眶壁区域图像和患侧眼眶壁区域图像;
6、s3,基于健侧眼眶壁区域图像和患侧眼眶壁区域图像,获得骨折眼眶壁的对称解剖先验知识图像;
7、s4,将对称解剖先验知识图像和患侧眼眶壁区域图像输入生成对抗网络,得到输出的骨折眼眶壁重建结果;
8、s5,根据所述骨折眼眶壁重建结果进行三维重建,获得骨折眼眶壁的三维重建模型。
9、可选地,所述步骤s3基于健侧眼眶壁区域图像和患侧眼眶壁区域图像,获得骨折眼眶壁的对称解剖先验知识图像,具体包括:
10、s31,分别对健侧眼眶壁区域图像和患侧眼眶壁区域图像进行眼眶壁分割,获得健侧眼眶壁分割结果和患侧眼眶壁分割结果;
11、s32,分别对健侧眼眶壁分割结果和患侧眼眶壁分割结果进行空间位置还原,将其还原到双侧眼眶图像的空间位置中,得到还原后的健侧眼眶壁和患侧眼眶壁;
12、s33,对健侧眼眶壁分割结果进行镜像,并分别对患侧眼眶壁分割结果和镜像的健侧眼眶壁分割结果进行三维重建,得到患侧眼眶壁三维模型和镜像的健侧眼眶壁三维模型;
13、s34,空间配准患侧眼眶壁三维模型和镜像的健侧眼眶壁三维模型,获得镜像的健侧眼眶壁的空间转换矩阵;
14、s35,利用空间转换矩阵将镜像的健侧眼眶壁分割结果空间映射到患侧眼眶壁上;
15、s36,对空间变换后的镜像的健侧眼眶壁分割结果进行分离,获得骨折眼眶壁的对称解剖先验知识图像。
16、可选地,在步骤s31中,采用基于深度学习的自动分割网络实现对健侧眼眶壁区域图像和患侧眼眶壁区域图像的自动分割。
17、可选地,所述自动分割网络为3d v-net自动分割网络。
18、可选地,所述生成对抗网络的判别网络的损失函数lossd为:
19、
20、其中,d表示网络判别器,g表示网络生成器,x表示输入图像,y表示金标准图像。
21、可选地,所述生成对抗网络的生成网络的损失函数lossg为:
22、lossg=lossdice+lossce+λ·ladv
23、
24、
25、ladv=ex[log(d(x,g(x)))]
26、其中,d表示网络判别器,g表示网络生成器,λ是平衡参数,n表示输入图像的体素总数,xi表示输入图像的第i个体素,yi表示金标准图像的第i个体素。
27、可选地,在步骤s1中,采用卷积神经网络从头部ct图像中提取预设大小的眼眶感兴趣区域。
28、可选地,在步骤s1从头部ct图像中提取眼眶感兴趣区域之后,还包括:对所述眼眶感兴趣区域进行重采样,得到双侧眼眶图像;
29、在步骤s5根据所述骨折眼眶壁重建结果进行三维重建之前,还包括:对骨折眼眶壁重建结果进行重采样,使其与所述头部ct图像的空间分辨率保持一致。
30、可选地,在对骨折眼眶壁重建结果进行重采样之前,还包括:对骨折眼眶壁重建结果进行空间位置还原,将其还原到双侧眼眶图像的空间位置中。
31、与现有技术相比,本专利技术具有如下优点:
32、本专利技术利用深度学习成功建立了眼眶修复手术自动规划模型,简化了术前繁琐的设计过程,将耗时约一小时左右的总设计时间缩短至约5分钟,并在设计的个性化程度、精确性方面进行了改良,攻克了个性化眼眶重建手术设计的高门槛、高难度问题,可替代生物工程师及高年资眼眶病专科医生直接完成术前设计。通过3d打印技术,将自动规划的三维模型应用于眶骨折修复材料塑形,为患者制定了个性化的高精度修复方案,同时缩短了手术时间,提高了手术效率,为患者提供更好的手术效果,更有效地解决视物重影、眼球凹陷等视功能及眼部外观问题。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的骨折眼眶壁自动重建方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述步骤S3基于健侧眼眶壁区域图像和患侧眼眶壁区域图像,获得骨折眼眶壁的对称解剖先验知识图像,具体包括:
3.如权利要求2所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,在步骤S31中,采用基于深度学习的自动分割网络实现对健侧眼眶壁区域图像和患侧眼眶壁区域图像的自动分割。
4.如权利要求3所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述自动分割网络为3D V-Net自动分割网络。
5.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述生成对抗网络的判别网络的损失函数LossD为:
6.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述生成对抗网络的生成网络的损失函数LossG为:
7.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,在步骤S1中,采用卷积神经网络从头部CT图像中提取预
8.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,在步骤S1从头部CT图像中提取眼眶感兴趣区域之后,还包括:对所述眼眶感兴趣区域进行重采样,得到双侧眼眶图像;
9.如权利要求8所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,在对骨折眼眶壁重建结果进行重采样之前,还包括:对骨折眼眶壁重建结果进行空间位置还原,将其还原到双侧眼眶图像的空间位置中。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信;
...【技术特征摘要】
1.一种基于深度学习的骨折眼眶壁自动重建方法,其特征在于,包括如下步骤:
2.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述步骤s3基于健侧眼眶壁区域图像和患侧眼眶壁区域图像,获得骨折眼眶壁的对称解剖先验知识图像,具体包括:
3.如权利要求2所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,在步骤s31中,采用基于深度学习的自动分割网络实现对健侧眼眶壁区域图像和患侧眼眶壁区域图像的自动分割。
4.如权利要求3所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述自动分割网络为3d v-net自动分割网络。
5.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方法,其特征在于,所述生成对抗网络的判别网络的损失函数lossd为:
6.如权利要求1所述的基于深度学习的骨折眼眶壁自动重建方...
【专利技术属性】
技术研发人员:李寅炜,许江长,韦怡宁,周慧芳,陈晓军,范先群,
申请(专利权)人:上海交通大学医学院附属第九人民医院,
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。