(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 202210085095.6 (22)申请日 2022.01.25 (71)申请人 哈尔滨医科 大学附属第一医院 地址 150000 黑龙江省哈尔滨市南岗区邮 政街23号 申请人 黑龙江拓 盟科技有限公司 (72)发明人 杨磊　邱兆文　王大为　杨光耀　 罗丹　黄煜昕　王文博　张铮　 李沣达　 (74)专利代理 机构 黑龙江立超同创知识产权代 理有限责任公司 23217 专利代理师 杨立超 (51)Int.Cl. G06T 7/00(2017.01) G16H 30/40(2018.01)G16H 50/70(2018.01) G06T 7/62(2017.01) G06T 3/40(2006.01) G06T 7/194(2017.01) G06K 9/62(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于人工智能的髋臼半径自动测量方 法及系统 (57)摘要 一种基于人工智能的髋臼半径自动测量方 法及系统， 涉及髋臼半径测量技术领域， 用以解 决现有技术不能对人体髋臼半径进行准确地自 动测量的问题。 本发明的技术要点包括： 通过CT 获取患者的医学影像数据并对其进行标注， 对经 过标注的多张CT影像进行预处理， 基于训练的基 于2D Unet神经网络的分割模型将髋关节结构分 割出来， 并通过预训练的基于3D  Unet神经网络 的识别模型对髋臼上的特征点进行识别， 从而计 算髋臼窝的半径， 完成髋臼半径的测量。 本发明 可用于骨科术前的手术规划， 可以使得之后的手 术过程更精准， 更个性化， 并发症更低。 本发明具 有强大的临床应用前 景和价值。 权利要求书3页 说明书10页 附图6页 CN 114494183 A 2022.05.13 CN 114494183 A 1.一种基于人工智能的髋臼半径自动测量方法， 其特 征在于， 包括以下步骤： 步骤一、 采集多个患者对应其人体髋关节部位的多张CT影像， 并在CT影像上对髋关节 结构进行 标注； 所述髋关节结构包括股骨、 耻骨、 骼骨和髋臼； 步骤二、 对经过标注的多张CT影像进行预处理， 并将预处理后的多张CT影像分为训练 集和测试集； 步骤三、 将训练集输入2D  Unet神经网络模型进行训练， 获得训练好的基于2D  Unet神 经网络的分割模型； 步骤四、 将测试集输入训练好的基于2D  Unet神经网络的分割模型， 获得髋关节结构分 割结果； 所述髋关节结构分割结果包括髋关节结构像素矩阵和背景像素矩阵； 步骤五、 将所述髋关节结构像素矩阵输入预训练的基于3D  Unet神经网络的识别模型 中进行识别， 获得髋臼上的特 征点； 所述特 征点包括髋臼的上缘顶点和下缘顶点； 步骤六、 根据所述特 征点计算髋臼窝的半径， 完成测试集中髋臼半径的测量。 2.根据权利要求1所述的一种基于人工智能的髋臼半径自动测量方法， 其特征在于， 步 骤二中所述预处理包括： 对CT影像的图像像素值进行归一化处理； 利用双线性插值方法将 每个患者对应的堆叠在一起的多张CT影像改变为虚拟正方体， 从而获得虚拟正方体对应的 三维像素矩阵。 3.根据权利要求2所述的一种基于人工智能的髋臼半径自动测量方法， 其特征在于， 步 骤四的具体步骤 包括： 步骤四一、 采用三个2D  Unet神经网络对虚拟正方体分别从前后、 左右、 上下三个方向 进行分割， 获得对应的三个三维像素矩阵； 步骤四二、 将三个三维像素矩阵进行合并， 获得合并的三维像素矩阵； 步骤四三、 将合并的三维像素矩阵展开为一维数组， 根据OTSU阈值分割方法获得分割 阈值； 步骤四四、 将合并的三维像素矩阵中像素值大于等于分割阈值的像素点设为1， 小于分 割阈值的像素点设为0， 完成髋关节结构与背景的分割。 4.根据权利要求3所述的一种基于人工智能的髋臼半径自动测量方法， 其特征在于， 步 骤四三的具体步骤 包括： 步骤四三一、 对于一维数组对应的灰度值区间内每一个灰度值， 将其作为阈值将图像 分割为两 部分； 步骤四三 二、 计算每一部分所占比例和平均灰度值； 步骤四三三、 根据每一部分所占比例和平均灰度值计算两部分之间的类间方差； 所述 类间方差的计算公式为： δ2＝ω0ω1( μ0‑μ1)2 式中， δ表示类间方差； ω0、 ω1分别每一部分所占比例； μ0、 μ1分别表示每一部分平均灰 度值； 步骤四三四、 选择类间方差最大值对应的灰度值作为分割阈值。 5.根据权利要求4所述的一种基于人工智能的髋臼半径自动测量方法， 其特征在于， 步 骤五中基于3D  Unet神经网络的识别模型为在基础3D  Unet网络的最后一层添加一层用于 生成热力图， 将所述髋关节结构像素矩阵输入基于3D  Unet神经网络的识别模型后输出热权　利　要　求　书 1/3 页 2 CN 114494183 A 2力图， 热力图中每一个像素点的像素值表示该像素点作为特征点的概率， 选择概率最大值 所对应的像素点即为特 征点。 6.根据权利要求5所述的一种基于人工智能的髋臼半径自动测量方法， 其特征在于， 步 骤六的具体步骤包括： 首先， 计算髋臼的上缘顶点和下缘顶点之间的直线距离； 然后， 根据 每个像素点代表的实际物理长宽和各个CT影像之 间的厚度计算 获得髋臼窝直径， 从而获得 髋臼半径； 其中， 髋臼窝 直径d的计算公式为： 式中， L表示髋臼的上缘顶点和下缘顶点之间的直线距离； k、 p表示每个像素点代表的 实际物理长 宽； q表示各个CT影 像之间的厚度。 7.一种基于人工智能的髋臼半径自动测量系统， 其特 征在于， 包括： 图像采集模块， 其配置成采集多个患者对应其人体髋关节部位的多张CT影像， 并在CT 影像上对髋关节结构进行 标注； 所述髋关节结构包括股骨、 耻骨、 骼骨和髋臼； 预处理模块， 其配置成对经过标注的多张CT影像进行预处理， 并将预处理后的多张CT 影像分为训练集和 测试集； 分割模型训练模块， 其配置成将训练集输入2D  Unet神经网络模型进行训练， 获得训练 好的基于2D  Unet神经网络的分割模型； 分割模块， 其配置成将测试集输入训练好的基于2D  Unet神经网络的分割模型， 获得髋 关节结构分割结果； 所述髋关节结构分割结果包括髋关节结构像素矩阵和背景像素矩阵； 特征点识别模块， 其配置成将所述髋关节结构像素矩阵输入预训练的基于3D  Unet神 经网络的识别模型中进行识别， 获得髋臼上 的特征点； 所述特征点包括髋臼的上缘顶点和 下缘顶点； 半径测量模块， 其配置成根据所述特征点计算髋臼窝的半径， 完成测试集中髋臼半径 的测量； 具体过程包括： 首先， 计算髋臼的上缘顶点和下缘顶点之间的直线距离； 然后， 根据 每个像素点代表的实际物理长宽和各个CT影像之 间的厚度计算 获得髋臼窝直径， 从而获得 髋臼半径， 其中， 髋臼窝 直径d的计算公式为： 式中， L表示髋臼的上缘顶点和下缘顶点之间的直线距离； k、 p表示每个像素点代表的 实际物理长 宽； q表示各个CT影 像之间的厚度。 8.根据权利要求7所述的一种基于人工智能的髋臼半径自动测量系统， 其特征在于， 所 述预处理模块中所述预处理包括： 对CT影像的图像像素值进行归一化处理； 利用双线性插 值方法将每个患者对应的堆叠在一起的多张CT影像改变为虚拟正方体， 从而获得虚拟正方 体对应的三维像素矩阵。 9.根据权利要求8所述的一种基于人工智能的髋臼半径自动测量系统， 其特征在于， 所 述分割模块中将测试集输入训练好的基于2D  Unet神经网络的分割模型， 获得髋关节结构 分割结果的具体过程包括： 步骤四一、 采用三个2D  Unet神经网络对虚拟正方体分别从前后、 左右、 上下三个方向 进行分割， 获得对应的三个三维像素矩阵； 步骤四二、 将三个三维像素矩阵进行合并， 获得合并的三维像素矩阵；权　利　要　求　书 2/3 页 3 CN 114494183 A 3