一种骨科植入物类特征智能构建方法及系统

摘要

本发明公开了一种骨科植入物类特征智能构建方法及系统。本发明方法包括步骤：S1、对骨折图像中的模糊区域作修复处理，并通过训练深度卷积神经网络模型提取骨折特征；S2、通过主成分分析方法和决策树对收集的骨骼形态参数进行提取以获得骨骼形态特征；S3、将所述骨折特征和骨骼形态特征融入植入物特征，生成植入物类特征。本发明系统与上述方法对应。本发明建立起植入物特征和骨骼特征的内在关联机制，避免了特征的重复定义；并且，本发明灵活性高，适用性强，缩短植入物设计周期，对于提高骨折术前规划的效率和自动化水平有着重要的理论意义和实际应用价值，具有非常广阔的应用前景。

说明书

技术领域

本发明属于计算机辅助分析技术领域，尤其涉及一种骨科植入物类特征智能构建方法及系统。

背景技术

骨科植入物特征的构建是骨折术前规划的重要环节，对手术治疗效果起着至关重要的作用。骨科植入物是指通过手术植入人体，以替代、修复患者的骨骼、关节和软骨等组织，或者对这些组织进行定位、支撑的器件和材料。近年来，随着医疗水平和健康意识的不断提升，以及人口老龄化程度的不断加大，我国植入物市场规模持续快速增长。目前植入物设计主要采用数字化技术，且逐渐朝着智能化方向发展。然而医疗手段中应用数字化技术在国内外都是一个十分独特的交叉领域，现阶段在植入物模型构建的过程中，仍然依赖于过多的医工交互，自动化程度不高。这是由于缺乏有效的设计模式和参数载体，造成容易出现设计错误、延长设计周期。可见，寻求一个便捷、高效、准确的植入物设计模式和参数载体是骨折术前规划中亟待解决的问题。

发明内容

本发明的目的在于提供一种骨科植入物类特征智能构建方法及系统，进而为植入物设计提供更便捷的参数载体，通过将植入物特征和骨骼特征封装为一个具有高内聚性的类，有望为植入物设计提供一个便捷高效的设计模式。

本发明是这样实现的，一种骨科植入物类特征智能构建方法，该方法包括以下步骤：

S1、对骨折图像中的模糊区域作修复处理，并通过训练深度卷积神经网络模型提取骨折特征；

S2、通过主成分分析方法和决策树对收集的骨骼形态参数进行提取以获得骨骼形态特征；

S3、将所述骨折特征和骨骼形态特征融入植入物特征，生成植入物类特征。

优选地，所述步骤S1具体为：

S11、采用方向模板对骨折线上的模糊区域进行修复处理；

S12、建立并训练深度卷积神经网络模型，从影像中自动识别出骨折类型，以病例数据代入模型得出判断结果。

优选地，在步骤S11中，所述方向模板是根据骨折线的连续性和方向性，拟出骨折线的8个走向，并分别定义出与各个走向匹配的模板；取各模块相连的2×2像素的灰度平均值作为各模块的值，之后采用迭代阈值法自动获得最佳灰度阈值，计算出8个方向模板DL1～DL8的取值；

在步骤S12中，所述训练深度卷积神经网络模型为ResNet-50网络结构，该ResNet-50网络结构的残差模块的输入为X，输出H(X)为：

H(X)＝F(X)+X (1)

F(X)＝W

其中，F是残差函数，δ表示修正线性单元激活函数。

优选地，所述步骤S2具体为：

S21、采用主成分分析方法对收集的骨骼形态参数降维，提取主成分；

S22、以骨骼形态特征中各主成分综合得分的信息增益作为依据构建决策树，基于决策树提取骨骼形态特征，计算主成分综合得分。

优选地，所述步骤S3具体为：

S31、根据骨折特征构建出能够反映植入物形状共性的大类特征参数，同时将其按照不同角度进一步划分成多个小类特征参数；

S32、继承大类特征的属性，同时结合形态特征赋予的新属性，以构建整体特征；

S33、通过继承整体特征和小类特征的属性构建局部特征参数；

S34、根据一组描述了相同骨折类型、不同解剖形态的骨骼特征，生成不同的植入物特征。

本发明进一步公开了一种骨科植入物类特征智能构建系统，该系统包括：

骨折特征提取模块，用于对骨折图像中的模糊区域作修复处理，并通过训练深度卷积神经网络模型提取骨折特征；

骨骼形态特征提取模块，用于通过主成分分析方法和决策树对收集的骨骼形态参数进行提取以获得骨骼形态特征；

植入物类特征生成模块，用于将所述骨折特征和骨骼形态特征融入植入物特征，生成植入物类特征。

优选地，所述骨折特征提取模块包括：

修复处理模块，用于采用方向模板对骨折线上的模糊区域进行修复处理；

判断提取模块，用于建立并训练深度卷积神经网络模型，从影像中自动识别出骨折类型，以病例数据代入模型得出判断结果。

优选地，在所述修复处理模块中，所述方向模板是根据骨折线的连续性和方向性，拟出骨折线的8个走向，并分别定义出与各个走向匹配的模板；取各模块相连的2×2像素的灰度平均值作为各模块的值，之后采用迭代阈值法自动获得最佳灰度阈值，计算出8个方向模板DL1～DL8的取值；

在所述判断提取模块中，所述训练深度卷积神经网络模型为ResNet-50网络结构，该ResNet-50网络结构的残差模块的输入为X，输出H(X)为：

H(X)＝F(X)+X (1)

F(X)＝W

其中，F是残差函数，δ表示修正线性单元激活函数。

优选地，所述骨骼形态特征提取模块包括：

降维模块，用于采用主成分分析方法对收集的骨骼形态参数降维，提取主成分；

决策提取模块，用于以骨骼形态特征中各主成分综合得分的信息增益作为依据构建决策树，基于决策树提取骨骼形态特征，计算主成分综合得分。

优选地，所述植入物类特征生成模块包括：

参数划分模块，用于根据骨折特征构建出能够反映植入物形状共性的大类特征参数，同时将其按照不同角度进一步划分成多个小类特征参数；

整体特征构建模块，用于继承大类特征的属性，同时结合形态特征赋予的新属性，以构建整体特征；

局部特征构建模块，用于通过继承整体特征和小类特征的属性构建局部特征参数；

生成特征模块，用于根据一组描述了相同骨折类型、不同解剖形态的骨骼特征，生成不同的植入物特征。

本发明克服现有技术的不足，提供一种骨科植入物类特征智能构建方法及系统。本发明以类特征的形式呈现骨骼特征和植入物特征的融合，进而为植入物设计提供更便捷的参数载体，本发明涉及的“特征”包括骨骼特征和植入物特征；其中，骨骼特征，包括骨折特征和形态特征。骨折特征是骨折类型判断的重要依据，以影像学的骨折线为显著表征；形态特征描述骨骼解剖结构本身，通常以参数形式表示。植入物类特征是对具有相似属性和行为的一组特征的统一描述。本发明结合了类与特征的思想，根据骨折特征和形态特征归纳出具有层次化的语义特征参数集，生成植入物类特征，有望为植入物设计提供有效的设计模式和参数载体，对于植入物设计的高效化、便捷化和智能化均具有直接的促进作用。

相比于现有技术的缺点和不足，本发明具有以下有益效果：

(1)本发明将骨骼特征和植入物特征封装为一个类，进而建立起植入物特征和骨骼特征的内在关联机制，此外，通过植入物语义特征参数集的构建继承了已有特征属性，避免了特征的重复定义；

(2)本发明针对同一骨折特征，融入不同的骨骼形态特征可以得到不同的植入物类特征，灵活性高，适用性强，从而减少大量重复性工作，缩短植入物设计周期；

(3)本发明对于提高骨折术前规划的效率和自动化水平有着重要的理论意义和实际应用价值；此外，本发明还可进一步扩展到骨科手术导航、临床教学培训等领域，具有非常广阔的应用前景。

附图说明

图1是本发明以股骨为例展示的骨科植入物类特征智能构建方法或系统的原理图；

图2是本发明实施例中骨科植入物类特征智能构建方法的步骤流程图；

图3是本发明实施例中用于骨折线修复的8个方向模板示意图；

图4是本发明实施例中ResNet-50网络的残差模块的示意图；

图5是本发明实施例中骨折特征和骨骼形态特征融入植入物语义特征层的示意图；

图6是本发明实施例中鹰嘴型接骨板类特征的变化示意图；

图7是本发明实施例中骨科植入物类特征智能构建系统的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为具体描述清楚本发明的技术方案，在本发明以下实施方式中以股骨为例进行说明，如图1所示。进一步的，本发明公开了一种骨科植入物类特征智能构建方法，如图2所示，包括如下步骤：

S1、对骨折图像中的模糊区域作修复处理，并通过训练深度卷积神经网络模型提取骨折特征

在步骤S1中，首先需要对骨折图像中的模糊区域进行修复，其次则是建立ResNe-50模型，进而实现骨折类型的自动判断。具体的，该步骤S1包括以下步骤：

S11、采用方向模板对骨折线上的模糊区域进行修复处理

骨折线是骨折分型的重要参考，在二维影像图像上表现为开放曲线。受到现有医学影像成像技术的限制以及外界环境的干扰，骨折线呈现出不同程度的边缘毛糙、缺失等现象，增加了辨识难度，严重影响骨折类型的判断。本发明根据骨折线的连续性和方向性，设定骨折线的8个走向，如图3所示，并分别定义出与各个走向匹配的方向模板。其中，每个模板均采用模块1～9表示，且以模块相连的2×2像素的灰度平均值作为各模块的取值。最后将各模板与骨折线匹配，并修复骨折图像中的模糊、缺失等区域。

S12、建立并训练深度卷积神经网络模型，从影像中自动识别出骨折类型，以病例数据代入模型得出判断结果

如图4所示，采用ResNet-50网络结构。ResNet-50网络结构的残差模块的输入为X，输出H(X)为：

H(X)＝F(X)+X (1)

F(X)＝W

其中，F是残差函数，δ表示修正线性单元激活函数。

S2、通过主成分分析方法和决策树对收集的骨骼形态参数进行提取以获得骨骼形态特征

该步骤S2具体包括以下步骤：

S21、采用主成分分析方法对收集的骨骼形态参数降维，提取主成分

在步骤S21中，首先需要收集骨骼样本数据，收集了股骨近端、骨干和远端的形态参数。由于股骨近端和远端的参数种类多，且为了便于针对近端和远端植入物的设计，对近端和远端分开考虑。

其次，需要对股骨形态参数作标准化处理，计算其相关系数矩阵，求得特征植以及相应的特征向量，并根据累计贡献率提取主成分，如表1和表2所示：

表1旋转后的成分矩阵(股骨近端)

表1所示为根据累计贡献率90.474％提取的4个主成分的矩阵。可以看出，主成分1主要解释形态参数D

表2旋转后的成分矩阵(股骨远端)

表2为根据累计贡献率93.241％提取的7个主成分的矩阵。主成分1主要解释L

最终，根据表1和表2的结果计算得出主成分综合得分。

S22、以骨骼形态特征中各主成分综合得分的信息增益作为依据构建决策树，基于决策树提取骨骼形态特征，计算主成分综合得分

在步骤S22中，以股骨各样本主成分综合得分的信息增益为依据，通过训练大量样本构建决策树。

S3、将所述骨折特征和骨骼形态特征融入植入物特征，生成植入物类特征

结合图5理解，该步骤S3包括以下步骤：

S31、根据骨折特征构建出能够反映植入物形状共性的大类特征参数，同时将其按照不同角度进一步划分成多个小类特征参数；

S32、继承大类特征的属性，同时结合形态特征赋予的新属性，构建整体特征；

S33、通过继承整体特征和小类特征的属性构建局部特征参数；

S34、根据一组描述了相同骨折类型、不同解剖形态的骨骼特征，可以生成不同的植入物特征，如图6所示是鹰嘴型接骨板类特征的变化示意图。

本发明结合了类与特征的思想，根据骨折特征和形态特征归纳出具有层次化的语义特征参数集，生成植入物类特征，有望为植入物设计提供有效的设计模式和参数载体，对于植入物设计的高效化、便捷化和智能化均具有直接的促进作用。

本发明进一步公开了一种骨科植入物类特征智能构建系统，如图7所示，该系统包括：

骨折特征提取模块1，用于对骨折图像中的模糊区域作修复处理，并通过训练深度卷积神经网络模型提取骨折特征；

骨骼形态特征提取模块2，用于通过主成分分析方法和决策树对收集的骨骼形态参数进行提取骨骼形态特征；

植入物类特征生成模块3，用于将所述骨折特征和骨骼形态特征融入植入物特征，生成植入物类特征。

在骨折特征提取模块1中，首先需要对骨折图像中的模糊区域，进行修复，其次则是建立ResNe-50模型，进而实现骨折类型的自动判断。具体的，该骨折特征提取模块1包括：

修复处理模块11，用于采用方向模板对骨折线上的模糊区域进行修复处理

骨折线是骨折分型的重要参考，在二维影像图像上表现为开放曲线。受到现有医学影像成像技术的限制以及外界环境的干扰，骨折线呈现出不同程度的边缘毛糙、缺失等现象，增加了辨识难度，严重影像骨折类型的判断。本发明根据骨折线的连续性和方向性，设定骨折线的8个走向，如图3所示，并分别定义出与各个走向匹配的方向模板。其中，每个模板均采用模块1～9表示，且以模块相连的2×2像素的灰度平均值作为各模块的取值。最后将各模板与骨折线匹配，并修复骨折图像中的模糊、缺失等区域。

判断提取模块12，用于建立并训练深度卷积神经网络模型，从影像中自动识别出骨折类型，以病例数据代入模型得出判断结果

如图4所示，采用ResNet-50网络结构。ResNet-50网络结构的残差模块的输入为X，输出H(X)为：

H(X)＝F(X)+X (1)

F(X)＝W

其中，F是残差函数，δ表示修正线性单元激活函数。

骨骼形态特征提取模块2具体包括：

降维模块21，用于采用主成分分析方法对收集的骨骼形态参数降维，提取主成分

在降维模块21中，首先需要收集骨骼样本数据，收集了股骨近端、骨干和远端的形态参数。由于股骨近端和远端的参数种类多，且为了便于针对近端和远端植入物的设计，对近端和远端分开考虑。

其次，需要对股骨形态参数作标准化处理，计算其相关系数矩阵，求得特征植以及相应的特征向量，并根据累计贡献率提取主成分，如表1和表2所示：

表1旋转后的成分矩阵(股骨近端)

表1所示为根据累计贡献率90.474％提取的4个主成分的矩阵。可以看出，主成分1主要解释形态参数D

表2旋转后的成分矩阵(股骨远端)

表2为根据累计贡献率93.241％提取的7个主成分的矩阵。主成分1主要解释L

最终，根据表1和表2的结果计算得出主成分综合得分。

决策提取模块22，用于以骨骼形态特征中各主成分综合得分的信息增益作为依据构建决策树，基于决策树提取骨骼形态特征，计算主成分综合得分

在决策提取模块22中，以股骨各样本主成分综合得分的信息增益为依据，通过训练大量样本构建决策树。

结合图5理解，该植入物类特征生成模块3包括：

参数划分模块31，用于根据骨折特征构建出能够反映植入物形状共性的大类特征参数，同时将其按照不同角度进一步划分成多个小类特征参数；

整体特征构建模块32，用于继承大类特征的属性，同时结合形态特征赋予的新属性，以构建整体特征；

局部特征构建模块33，用于通过继承整体特征和小类特征的属性构建局部特征参数；

生成特征模块34，用于根据一组描述了相同骨折类型、不同解剖形态的骨骼特征，生成不同的植入物特征，如图6所示是鹰嘴型接骨板类特征的变化示意图，当股骨样本的主成分综合得分不同时，接骨板特征线(图中是边界线和脊线)会相应地发生变化，通过特征线的变化，间接改变接骨板贴合面曲面，最终使得接骨板类特征的参数发生变化。

本发明结合了类与特征的思想，根据骨折特征和形态特征归纳出具有层次化的语义特征参数集，生成植入物类特征，有望为植入物设计提供有效的设计模式和参数载体，对于植入物设计的高效化、便捷化和智能化均具有直接的促进作用。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。