一种椎弓根螺钉最优置钉点的智能定位方法与流程

本发明涉及医疗技术领域，尤其涉及一种椎弓根螺钉最优置钉点的智能定位方法。

背景技术：

椎弓根螺钉内固定是治疗脊柱复位等脊柱手术的有效方法，但椎弓根的结构复杂多变，椎弓根的固有解剖结构较为狭窄，且其周围毗邻血管、神经及脊髓等重要的解剖结构。准确地植入一根长度合适的椎弓根螺钉非常关键，若植入的椎弓根螺钉位置出现较大偏差，则会损伤毗邻重要组织结构，将造成严重的手术并发症。所以椎弓根螺钉置入位置的定位方法是各类脊柱手术的关键。

在对定位最优置钉点时，现有技术最常采用的是解剖标志点法、椎板开窗法、c型臂透视辅助置钉、x线透视法等依托物理方式或者医师经验的方法。这些方法有些容易因麻药、物理射线等对人体造成伤害，另外一些要依附于经验，不易推广且不稳定性高。所以，采用智能化的定位最优置钉点，成为目前亟待解决的问题。

技术实现要素：

本发明要解决的技术问题是，提供一种椎弓根螺钉最优置钉点的智能定位方法，以实现对椎弓根最优置钉点的智能定位。

本发明的技术方案是：一种椎弓根螺钉最优置钉点的智能定位方法，其特征在于，所述方法包括步骤：

s1、获取多组人体椎弓根的ct扫描图片，构建所述ct扫描图片的三维网格模型mi(i＝1,2,...,a)，a为正整数；

s2、计算三维网格模型mi上的每个顶点的特征向量标注每个特征向量对应的向量标签j为正整数；

s3、将所有三维网格模型mi上所有顶点对应的特征向量构成集合s，将集合s作为训练样本，并将每一个特征向量对应的向量标签作为训练样本s的训练标签，利用深度神经网络算法对集合s以及对应的训练标签进行训练学习，获取深度神经网络模型；

s4、获取一待定位的人体椎弓根三维网格模型，获取所述待定位的三维网格模型的特征向量，将该特征向量输入深度神经网络模型以获取其一一对应的标签结果，根据所述标签结果获取所述待定位的三维网格模型中的最佳置钉点位置。

较佳的，在步骤s2中，利用小波核签名提取三维网格模型mi上的每个顶点的特征向量

较佳的，构成所述集合s的所有三维网格模型中已标注最佳置钉点位置，于所述集合s中的特征向量对应为最佳置钉点位置时对应的所述向量标签为1，否则为0。

较佳的，步骤s4包括步骤：

s41、获取一待定位的人体椎弓根三维网格模型，获取所述待定位的三维网格模型的特征向量；

s42、将所述待定位的三维网格模型的特征向量全部输入所述深度神经网络模型，获取每个特征向量对应的标签结果，根据所述标签结果判断椎弓根螺钉的最佳置钉点位置。

较佳的，于所述标签结果为1时，所述标签结果对应的顶点为最佳置钉点位置。

上述技术方案具有如下优点或有益效果：本申请提出的一种椎弓根螺钉最优置钉点的智能定位方法，解决了最优置钉入点定位地智能生成问题，对于给定的人体脊椎椎骨三维数字几何模型，能够根据用户需求，在保证手术安全的前提条件下，自动确定最优置钉入点。该方法具有两方面的优点：

1、保证生成的置钉入点在所有可能的置钉入点中位置最佳，相比于传统任工方法，可以大大降低螺钉错位率，提高精度，从而省去了手术中椎弓根螺钉置钉入点定位这一繁琐的步骤，使得骨科医生更高效的开展下一步手术工作；

2、使得椎弓根螺钉置钉点入点定位不再依赖于骨科医生的临床经验，因为即使是经验丰富的骨科医生，在实际手术过程中也会在各种因素的影响下错误判断，导致找不到最佳置钉入点，而我们的方法是从大量成功临床数据学习而来，在保证超高准确率的前提下，在实际手术过程中不会受无关因素的影响，可大大提高颈椎椎弓根螺钉置钉的准确性和安全性；

3、小波核签名比以前的方法更具辨别力，能实现更好的特征定位，更精确的特征匹配，对扰动数据具有鲁棒性，即使有强烈扰动的数据，小波核签名仍然可以正确检测特征对应关系；

4、深度神经网络算法稳定性高，在大样本的学习训练下，得到的预测准确率比传统方法更高，训练样本越多，比传统算法在准确率上越有优势。

附图说明

参考所附附图，以更加充分的描述本发明的实施例。然而，所附附图仅用于说明和阐述，并不构成对本发明范围的限制。

图1为本发明一种椎弓根螺钉最优置钉点的智能定位方法的流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明一种椎弓根螺钉最优置钉点的智能定位方法进行详细说明。

如图1所示，一种椎弓根螺钉最优置钉点的智能定位方法，包括步骤：

s1、获取多组人体椎弓根的ct扫描图片，构建所述ct扫描图片的三维网格模型mi(i＝1,2,...,a)，a为正整数；

s2、计算三维网格模型mi上的每个顶点的特征向量其中，n⁽ⁱ⁾为正整数，表示三维网格模型mi上的顶点个数，m是每个顶点的特征维数，标注每个特征向量对应的向量标签

s3、将所有三维网格模型mi上所有顶点对应的特征向量构成集合s，将集合s作为训练样本，并将每一个特征向量对应的向量标签作为训练样本s的训练标签，利用深度神经网络算法对集合s以及对应的训练标签进行训练学习，获取深度神经网络模型；

s4、获取一待定位的人体椎弓根三维网格模型，获取该待定位的三维网格模型的特征向量，将这些特征向量输入深度神经网络模型以获取其一一对应的标签结果，根据标签结果获取该待定位的三维网格模型中的最佳置钉点位置。

具体来说，在椎弓根螺钉最优置钉点的智能定位方法中，首先是获取了多组人体椎弓根的ct扫描图片，建立相应的三维网格模型，然后计算出三维网格模型上每个顶点的特征向量每个特征向量都有一对应的向量标签对所有的特征向量构成的集合s以及对应的向量标签进行训练学习，获取深度神经网络模型。对所有的特征向量构成的集合s以及对应的向量标签进行训练学习，获取深度神经网络模型。当需要确定一人体椎弓根的最佳置钉点时，将该人体椎弓根对应的三维网格模型的每个顶点的特征向量输入至深度神经网络模型中，以获取每个顶点对应的标签结果，根据该标签结果即可获取该人体椎弓根的最佳置钉点位置。在上述方法中，深度神经网络算法在大样本的学习训练下，得到的预测准确率比传统方法更高，训练样本越多，比传统算法在准确率上越有优势。

进一步来讲，在步骤s3中，构成集合s的所有三维网格模型已经经验丰富的医生进行最佳置钉点位置标注，相应的，在集合s中，特征向量对应的为最佳置钉点位置时对应的向量标签为1，否则，对应的标签为0。

进一步来讲，在步骤s4中，根据标签结果获取待定位的三维网格模型中最佳置钉点位置对应的标签结果为1。

进一步来讲，在步骤s2中，利用小波核签名提取三维网格模型mi上每个顶点对应的特征向量其中n⁽ⁱ)为正整数，表示三维网格模型mi上的顶点个数，m是每个顶点的特征维数，标注每个特征向量对应的向量标签相比于传统的特征描述方式，小波核签名更具辨别力，能实现更好的特征定位，更精确的特征匹配，对扰动数据具有鲁棒性，即使有强烈扰动的数据，小波核签名仍然可以正确检测特征对应关系。

进一步来讲，步骤s4包括步骤：

s41、获取一待定位的人体椎弓根三维网格模型，获取该待定位的三维网格模型的特征向量；

s42、将该待定位的三维网格模型的特征向量全部输入上述深度神经网络模型，获取每个特征向量对应的标签结果，于标签结果为1时判定该标签结果对应的顶点为椎弓根螺钉的最佳置钉点位置。

本申请提出的一种椎弓根螺钉最优置钉点的智能定位方法，解决了最优置钉入点定位地智能生成问题，对于给定的人体脊椎椎骨三维数字几何模型，能够根据用户需求，在保证手术安全的前提条件下，自动确定最优置钉入点。该方法具有两方面的优点：

1、保证生成的置钉入点在所有可能的置钉入点中位置最佳，相比于传统任工方法，可以大大降低螺钉错位率，提高精度，从而省去了手术中椎弓根螺钉置钉入点定位这一繁琐的步骤，使得骨科医生更高效的开展下一步手术工作；

2、使得椎弓根螺钉置钉点入点定位不再依赖于骨科医生的临床经验，因为即使是经验丰富的骨科医生，在实际手术过程中也会在各种因素的影响下错误判断，导致找不到最佳置钉入点，而我们的方法是从大量成功临床数据学习而来，在保证超高准确率的前提下，在实际手术过程中不会受无关因素的影响，可大大提高颈椎椎弓根螺钉置钉的准确性和安全性；

3、小波核签名比以前的方法更具辨别力，能实现更好的特征定位，更精确的特征匹配，对扰动数据具有鲁棒性，即使有强烈扰动的数据，小波核签名仍然可以正确检测特征对应关系；

4、深度神经网络算法稳定性高，在大样本的学习训练下，得到的预测准确率比传统方法更高，训练样本越多，比传统算法在准确率上越有优势。

对于本领域的技术人员而言，阅读上述说明后，各种变化和修正无疑将显而易见。因此，所附的权利要求书应看作是涵盖本发明的真实意图和范围的全部变化和修正。在权利要求书范围内任何和所有等价的范围与内容，都应认为仍属本发明的意图和范围内。