(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210897037.3 (22)申请日 2022.07.28 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 王洪凯　翟浩宇　 (74)专利代理 机构 辽宁鸿文知识产权代理有限 公司 21102 专利代理师 许明章　王海波 (51)Int.Cl. A61F 2/34(2006.01) G06T 5/00(2006.01) G06T 7/00(2017.01) G06T 7/11(2017.01) G06V 10/762(2022.01)G06V 10/774(2022.01) (54)发明名称 基于深度学习的全髋关节置换术中髋臼杯 的自动化 规划方法 (57)摘要 本发明属于数字医疗、 图像处理技术领域， 公开了一种基于深度学习的全髋关节置换术中 髋臼杯的自动化规划方法。 该方法可自动处理患 有髋关节疾病 患者的CT影像数据， 通过多任务级 联深度学习网络实现对输入CT影像的盆骨分割 及大规模的解剖标志点标注， 并采用第二阶段网 络精细分割髋臼局部影像， 后续使用网络分割结 果与标志点位置自动计算出髋臼的相关参数， 匹 配合适的髋臼假体， 模拟假体正确的放置位置。 通过本方法可通过患者CT影像自动计算并给出 手术中所需要的假体参数， 实现了在术前计划中 对髋臼假体的尺寸计算、 位置定位， 以及髋关节 三维解剖结构的可视化展示， 为医生提供更多参 考信息， 提高术前规划的精度， 进而提升手术质 量。 权利要求书3页 说明书7页 附图3页 CN 115252233 A 2022.11.01 CN 115252233 A 1.一种基于深度学习的全髋关节置换术中髋臼杯的自动化规划方法， 其特征在于， 包 括步骤如下： S1、 数据预处 理； S11、 图像归一化； 对于包含髋臼的盆骨CT图像， 采用统一的CT值范围对CT图像的灰度 归一化到[0,1]之间； 将归一 化后的CT图像降采样为低分辨 率与高分辨 率两种形式； S12、 数据增强； 包括随机旋转、 缩放、 平移、 仿射变换、 随机噪声、 局部像素重排、 内向填 充和外向填充； S2、 构建联合分割与标志点检测的多任务级联深度学习网络； 将包含髋臼的盆骨CT图像输入至联合分割与标志点检测的多任务级联深度学习 网络 中， 输出包括左髋、 右髋、 骶骨在内的多个骨骼的粗分割 标签、 髋臼局部的细化分割 标签以 及大规模的标志点； 联合分割与 标志点检测的多任务级联深度 学习网络包括两个阶段， 第 一阶段从低分辨 率的CT图像中执行粗分割及大规模的标志点检测任务， 第二阶段根据第一阶段得到的标志 点裁剪髋臼局部的高分辨 率图像， 使用级联的分割网络进行细化分割； 第一阶段的多任务深度学习网络包括两个分支： 分割分支与标志点检测分支； S21、 分割分支由类U ‑Net结构组成， 包含编码器和解码器两个部分； 编码器部分包括四 个子模块， 每个子模块包含两个卷积操作以及一个分段线性激活函数， 编码器还包括四次 下采样操作， 将3D数据的通道数从3扩展到25 6， 以此来捕捉 三维图像中的高维度信息； 解码器与编码器相对应， 包含四个子模块， 每个子模块包括两个卷积操作以及一个分 段线性激活函数， 解码器包含四次上采样操作， 通过上采样将由编码器处理得到的特征图 的分辨率恢复到原 始输入图像的尺寸； 在编码器和解码器之间， 采用了跳跃连接操作， 将编码器不同阶段得到的图像特征融 合到解码器的解码阶段， 使得 上采样后的特 征图融合更多低级特 征； 对于粗分割结果， 分割分支采用Dice  Loss损失函数来进行约束， 以解决类别不平衡的 问题； Dice  Loss定义为： 其中， X为预测粗分割结果矩阵， Y为真实标签矩阵， X∩Y为两者交集； |X|和|Y|分别为 粗分割结果和真实标签矩阵的体素之和； 对于每个体素， 选择概率最高的类作为最终的粗 分割预测结果； S22、 标志点检测分支； 遵循多任务深度学习网络中硬参数共享的原则， 标志点检测分 支与分割分支共享相同的编码器， 并且具有相同的解码器； 标志点检测分支将标志点检测 问题转化为热图回归问题， 标志 点的离散坐标建模为具有以点位置为中心的高斯分布的通 道热图； 距离标志点 坐标越近的热图具有越高的像素值； 考虑到通道热图中的背景与高斯区域之间的严重不平衡， 标志点检测分支采用 Focalloss损失函数来解决类别不平衡的问题； 采用固定阈值以划分正负样本， 将通道热图 中像素值大于固定阈值的区域视为正样本， 其余区域视为负样本； 正负样本的难度权重定 义为：权　利　要　求　书 1/3 页 2 CN 115252233 A 2其中， Spre为多任务深度学习网络预测的通道 热图， Sgt为根据特征点标定结果生成的通 道热图标签， 区分正负 样本的阈值 为thre； 在此基础上， Focal  loss损失函数定义 为： 获取通道热图中像素值 最高的坐标作为该通道所对应标志点的预测坐标； S23、 髋臼分割细化； 第一阶段多任务深度学习网络的输出结果输入至第二阶段细化分 割网络， 获得髋臼局部区域的细化分割结果； 基于第一阶段中标志点检测的结果， 根据髋臼沿上的标志点确定包含髋臼的边界框； 通过边界框的位置信息， 从原始图像中裁剪一个高分辨的髋臼局部区域以及对应的粗分割 标签， 用于第二阶段细化分割网络的输入； 第二阶段分割网络的网络结构与训练配置与第 一阶段的多任务深度学习分割分支相同； 细化分割结果与第一阶段的粗分割结果合并后为 最终的分割结果； S3、 自动化计算髋臼参数； S31、 髋关节表面建模； 采用移动立方体算法， 将步骤S2得到的最终的分割结果建模为 髋关节表面几何模型； S32、 统一参考平面； 对建模后的髋关节表面几何模型统一参考平面， 用于在统一参考 平面下表述髋臼的角度信息； 根据多任务深度学习网络预测的标志点信息， 以双侧髂前上 棘与耻骨连接点三点所组成的平面称作盆骨前平面， 作为冠状截面， 以双侧髂前上棘的中 点与耻骨连结点的连线以及冠状截面的法向量构建矢状截面， 同时垂直于冠状截面与矢状 截面的平面称之为横截面； S33、 髋臼内部点采样； 获得髋关节表面几何模型与髋臼旋转中心点， 计算得到髋臼内 部点集； 具体做法为： (a)以髋臼旋转中心点为球心， 以超过髋臼半径三分之一的长度作为半径创建一个球 型曲面模型， 该球形曲面模型包 含髋关节 表面几何模型的髋臼部分； (b)在球型曲面模型上采样若干个点， 将球型曲面模型上的采样点与髋臼旋转中心点 进行连线； (c)连线与髋关节的髋臼曲面相交， 交点的集 合表示髋臼 内部点集； 获得髋臼 内部点集后， 采用聚类算法分离异常点， 获得真正的髋臼 内部点集； S34、 计算髋臼假体位置； 根据真正的髋臼内部点集数据， 利用最小二乘法来拟合球体， 得到球体的球心和半径； 在xyz坐标系中， 球 体的方程如下 所示： (x‑α )2+(y‑b)2+(z‑c)2＝r2 经过变形得到： ‑2xa‑2yb‑2zc+(a2+b2+c2+r2)＝‑x2‑y2‑z2 化简得到： Axa+Ayb+Azc+Add＝e 转化为矩阵形式为权　利　要　求　书 2/3 页 3 CN 115252233 A 3