买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京长木谷医疗科技股份有限公司;张逸凌

摘要：本申请提供了一种膝关节解剖位点识别方法、装置、设备及计算机可读存储介质。该膝关节解剖位点识别方法，包括：获取膝关节DICOM数据；通过分割网络得到股骨、胫骨、髌骨和腓骨四个部位的骨骼数据；根据髌骨和股骨末端，胫骨平台位置来切分膝关节DICOM数据，得到切分后的DICOM数据；将切分后的DICOM数据输入膝关节解剖位点识别模型，输出膝关节解剖位点坐标；其中，膝关节解剖位点识别模型是基于全连接神经网络经过模型训练得到的，全连接神经网络包括两个全连接层，两个全连接层之间采用Dropout策略；根据切分后的DICOM数据，将输出的膝关节解剖位点坐标转换成膝关节DICOM数据对应的膝关节解剖位点坐标。根据本申请实施例，能够提高膝关节解剖位点识别的效率和准确率。

主权项：1.一种膝关节解剖位点识别方法，其特征在于，包括：获取膝关节DICOM数据；通过分割网络得到股骨、胫骨、髌骨和腓骨四个部位的骨骼数据；根据髌骨和股骨末端，胫骨平台位置来切分膝关节DICOM数据，得到切分后的DICOM数据；将切分后的DICOM数据输入膝关节解剖位点识别模型，输出膝关节解剖位点坐标；其中，膝关节解剖位点识别模型是基于全连接神经网络经过模型训练得到的，全连接神经网络包括两个全连接层，两个全连接层之间采用Dropout策略；根据切分后的DICOM数据，将输出的膝关节解剖位点坐标转换成膝关节DICOM数据对应的膝关节解剖位点坐标；获取样本的膝关节DICOM数据和解剖位点数据；基于膝关节DICOM数据和解剖位点数据，对膝关节DICOM数据进行切分，得到切分后的DICOM数据；在得到切分后的DICOM数据之后，方法还包括：基于切分后的DICOM数据，对解剖位点数据进行坐标转换，得到转换后的解剖位点数据；切分后的DICOM数据为npy格式数据；转换后的解剖位点数据为json格式数据；在得到转换后的解剖位点数据之后，方法还包括：基于切分后的DICOM数据和转换后的解剖位点数据，按照7：2：1划分训练集、测试集和验证集；具体的，1数据预处理：考虑到每一个病例原始的DICOM张数不一致，而且DICOM张数过大，在模型推理时会占用较大显存，因此需要根据膝关节位置进行裁剪，经过大量数据分析，膝关节在CT数据中的范围在192*320*320的范围内，满足实际使用需求和模型训练需求；因此，对DICOM数据裁剪处理，标注的解剖位点是根据原始DICOM尺寸标注的，为了适应裁剪后的DICOM，需要根据裁剪尺寸转换解剖点坐标；2保存数据格式：DICOM转成npy格式数据；解剖点坐标转换json格式数据；3生成训练集：将转换格式后的原始数据集，按训练集、测试集和验证集比例为7:2:1划分；全连接神经网络还包括：两个3D卷积层和两个3D下采样层，用于压缩数据；3D-resunet网络结构，用于提取特征；具体的，在全连接神经网络架构中，膝关节解剖位点的识别，是识别三维图像中的点坐标，数据回归任务；在本网络结构的设计中使用3D-resunet网络结构作为特征提取网络，之后使用全连接层对提取的任务进行回归输出；对输入的训练集数据，首先使用两个3D卷积层和两个3D下采样，这样做的目的是，将原始数据缩小到原来的14，是为了减少由于数据过大导致的模型参数过大，训练时显存占用较高，不能训练问题，加快网络训练；特征提取阶段使用3D-resunet网络结构，该网络结构中包含三次下采样和三次上采样结构，卷积核使用3*3*3的卷积核；通过3D-resunet提取得到的特征，这里不在直接对三维的特征层进行回归，而是使用Flatten层将三维的特征层转换成一维格式，其目的是为了和后边的全连接层相连接，之后采用两个全连接输出，设置第一个全连接神经元个数为1024，第二个全连接神经元个数为256，然后，输出预测坐标值，对预测值进行回归学习；在全连接层中，每个神经元都与前一层和后一层的所有神经元相连接，形成一个密集的连接结构，全连接神经网络能够学习输入数据的复杂特征，并进行分类、回归等任务；全连接层很容易过拟合，用于防止接神经网络过拟合，使用Dropout策略，设定为0.5，那么每个结点在前向传播时会有50%被激活，也有50%被关闭进而停止工作，Dropout本质是减少结点间相互依赖，减少过拟合问题；使用Dropout后，全连接层各节点之间的连接情况；获取预测值和真实值；基于预测值和真实值，通过损失函数计算损失值；基于损失值反馈更新全连接神经网络的网络参数；具体的，损失函数采用L2损失函数： 在本文任务中，由于标注数据原因，标注的点需要标注在膝关节股骨、胫骨和髌骨三个位置上，但是由于有些数据髌骨不需要标注点，导致不同病例标注数据点不一致，因此，需要设置两个部分损失函数，含有髌骨损失函数和不含髌骨损失函数，两个均使用L2损失函数： 其中，α=0.6为loss权重系数，包含髌骨的数据，要识别的点较多，因此设置较大的权重系数，不包含髌骨的数据要识别的点较少，设置较小的权重系数。

全文数据：

权利要求：

百度查询： 北京长木谷医疗科技股份有限公司 张逸凌 膝关节解剖位点识别方法、装置、设备及可读存储介质