[发明专利]基于有限元和机器学习的脊柱近端交界角的手术优化方法

权利要求书

1.基于有限元和机器学习的脊柱近端交界角的手术优化方法，其特征在于，包括以下步骤：

步骤s1：收集患者信息，所述信息包括患者的性别、年龄、体重、术前CT、术前的全脊柱X光以及术后的全脊柱X光；

步骤s2：对所述术前CT进行图像分割；

步骤s3：从患者术前的全脊柱X光以及术后的全脊柱X光上分别测量得到患者的脊柱近端交界角度α；

步骤s4：计算患者在直立情况下最上端固定椎体头端的椎间盘术前术后所受到的压力F；所述压力F的计算方法包括以下步骤：

步骤s401：根据最上端固定椎体的位置以及患者的体重计算出其对应的椎间盘所受到的重力G；

步骤s402：对重力G进行垂直于椎间盘上表面的力的分解，从而得到椎间盘受到的压力F；压力F的计算式为：

F＝G*cos(α)；

步骤s5：进行静力分析，得到由手术过程中患者脊柱近端交界角度变化所产生的患者在直立状态下椎间盘上表面的应力分布改变数据；所述静力分析包括以下步骤：

步骤s501：对纤维环和髓核进行网格的划分，选择0.3mm的三角形网格；

步骤s502：分别为纤维环和髓核赋予不同的材料特征，其弹性模量分别为3.0MPa和1.0MPa,其泊松比分别为0.45和0.3；

步骤s503：限制椎间盘底面的在xyz方向上的平移和旋转自由度，再对椎间盘表面施加对应的集中力即压力F，得到椎间盘的所有单元的应力分布区域；

步骤s504：将应力分布区域划分为共8个区域，分别是右前髓核区、右前纤维环区，右后髓核区、右后纤维环区，左前髓核区、左前纤维环区，左后髓核区以及左后纤维环区；

步骤s505：通过将对应区域术前、术后的压力F平均值或最大值进行相减，得到由手术过程中脊柱近端交界角度变化导致患者在直立状态椎间盘上表面的应力分布改变数据，所述应力分布改变数据为16个对应区域的应力改变值；

步骤s6：将患者的年龄、性别以及步骤s5中所得到的16个应力改变值共18个变量作为输入变量，以术后两年患者是否发生脊柱近端交界性后凸作为二元的结局变量Y来建立机器学习模型g(·)；

步骤s7：训练所述机器学习模型g(·)；

步骤s8：通过最小化理想输出结果与机器学习模型g(·)所得到的预测结果之间的绝对差异，得出术后脊柱近端交界角度的最优解

2.根据权利要求1所述的基于有限元和机器学习的脊柱近端交界角的手术优化方法，其特征在于：在步骤s2中，对术前CT进行图像分割是指将患者术前CT导入Mimics软件并对最上端固定椎体头端椎间盘的纤维环和髓核部分进行自动的分割。

3.根据权利要求1所述的基于有限元和机器学习的脊柱近端交界角的手术优化方法，其特征在于：在步骤s6中，所述结局变量Y为1表示呈阳性，为0表示呈阴性，结局变量Y通过下式表示：

Y＝g[Δσ(G_i,α_i,E,v)¹，Δσ(G_i,α_i,E,v)²,…,Δσ(G_i,α_i，E,v)^N，age_i，gender_i,W]

其中W代表模型参数，i表示其为第i个患者，Δσ(·)代表的是由有限元受力分析计算得出的八个区域所对应的16个应力改变值，每一个应力改变值由患者的重力G、脊柱近端交界角度α、弹性模量E以及泊松比v决定；age和gender表示患者的年龄和性别。

4.根据权利要求3所述的基于有限元和机器学习的脊柱近端交界角的手术优化方法，其特征在于：在步骤s7中，机器学习模型g(·)以下列函数作为损失函数来优化模型参数：

其中是模型的最优参数，Y_i是指该患者的真实结局变量。

5.根据权利要求4所述的基于有限元和机器学习的脊柱近端交界角的手术优化方法，其特征在于：在步骤s8中，将理想输出结果设定为0，即理想输出结果设定为呈阴性，则术后脊柱近端交界角度的最优解可用下列表达式表示：