[发明专利]基于深度学习的全髋关节术后腿长差的计算方法及系统

说明书

本发明提供一种基于深度学习的全髋关节术后腿长差的计算方法及系统，涉及医学技术领域，能够实现对全髋关节置换手术的患者术后情况进行准确评估，方法包括：获取髋关节置换手术术后的患者的髋关节图像；基于深度学习的目标识别网络，识别髋关节图像中的双侧股骨区域、坐骨区域、位于双侧股骨区域的第一关键点位置以及位于坐骨区域的第二关键点位置；根据第一关键点位置、第二关键点位置和坐骨区域，确定患者的双腿腿长差。所述系统执行所述方法。本发明基于髋关节置换手术术后的患者的髋关节图像，计算髋关节置换手术术后患者的双腿腿长差，并根据患者双腿腿长差，实现对进行髋关节置换手术术后的患者的恢复情况的准确评估。

技术领域

本发明涉及医学技术领域，尤其涉及一种基于深度学习的全髋关节术后腿长差的计算方法及系统。

背景技术

在医学领域中髋关节置换手术的术后评估对于手术的成功率起着非常重要的作用，因此提供准确的术后评估是非常重要的。

目前主要的术前评估方式为人工通过各种工具进行测量，效率低而且准确性无法保证，因此亟需提供一种更便捷更准确的术后评估的方法。

发明内容

本发明提供的基于深度学习的全髋关节术后腿长差的计算方法及系统，用于现有技术中存在的上述问题，基于髋关节置换手术术后的患者的髋关节图像，计算髋关节置换手术术后患者的双腿腿长差，并根据患者双腿腿长差，实现对进行髋关节置换手术术后的患者的恢复情况的准确评估。

本发明提供的一种基于深度学习的全髋关节术后腿长差的计算方法，包括：获取髋关节置换手术术后的患者的髋关节图像；基于深度学习的目标识别网络，识别所述髋关节图像中的双侧股骨区域、坐骨区域、位于所述双侧股骨区域的第一关键点位置以及位于所述坐骨区域的第二关键点位置；根据所述第一关键点位置、所述第二关键点位置和所述坐骨区域，确定所述患者的双腿腿长差。

根据本发明提供的一种基于深度学习的全髋关节术后腿长差的计算方法，所述目标识别网络基于点识别神经网络以及分割神经网络训练得到；或者，基于包括堆叠沙漏网络结构、分割Segment-Head网络以及关键点Keypoint-Head网络的预设神经网络模型训练得到。

根据本发明提供的一种基于深度学习的全髋关节术后腿长差的计算方法，所述根据所述关键点位置和所述坐骨区域，确定所述患者的双腿腿长差，包括：所述基于深度学习的目标识别网络，识别所述髋关节图像中的双侧股骨区域、坐骨区域、位于所述双侧股骨区域的第一关键点位置以及位于所述坐骨区域的第二关键点位置，包括：将所述髋关节图像输入至目标识别网络，得到所述髋关节图像中的双侧股骨区域以及坐骨区域；将所述双侧股骨区域的双侧股骨小转子对应的第一下缘点位以及第二下缘点位确定为所述第一关键点位置，将坐骨区域双侧的第一泪滴点位以及第二泪滴点位确定为所述第二关键点位置。

根据本发明提供的一种基于深度学习的全髋关节术后腿长差的计算方法，所述基于深度学习的目标识别网络，识别所述髋关节图像中的双侧股骨区域、坐骨区域、位于所述双侧股骨区域的第一关键点位置以及位于所述坐骨区域的第二关键点位置，包括：将所述髋关节图像输入至目标识别网络，得到所述髋关节图像中的双侧股骨区域以及坐骨区域；将所述双侧股骨区域的双侧股骨小转子对应的第一下缘点位以及第二下缘点位确定为所述第一关键点位置，将坐骨区域双侧第一最低点以及第二最低点确定为所述第二关键点位置。

根据本发明提供的一种基于深度学习的全髋关节术后腿长差的计算方法，所述根据所述第一关键点位置、所述第二关键点位置和所述坐骨区域，确定所述患者的双腿腿长差，包括：根据所述第一下缘点位、所述第二下缘点位和坐骨结节线，确定所述双腿腿长差；或者，根据所述第一下缘点位、所述第二下缘点位和双侧泪滴点位连线，确定所述双腿腿长差；其中，所述双侧泪滴点位连线是根据所述第一泪滴点位和所述第二泪滴点位确定的；所述坐骨结节线是根据所述第一最低点以及所述第二最低点确定的。