(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 202210769176.8 (22)申请日 2022.06.30 (71)申请人 安徽大学 地址 230601 安徽省合肥市经济技 术开发 区九龙路1 11号 (72)发明人 谭大禹　姚致远　戴益科　周晓平　 花林枫　丁睿　苏延森　郑春厚　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06T 17/00(2006.01) G06N 3/04(2006.01)A61B 6/00(2006.01) (54)发明名称 一种基于深度学习的股骨滑车宽度测量方 法 (57)摘要 本发明公开了一种基于深度学习的股骨滑 车宽度测量方法， 包括： 第一步、 采集人体髌股关 节CT影像， 构建数据集， 进行数据标注和预处理； 第二步、 构建MSC ‑Net神经网络中的编码层、 中间 层、 解码层以及输出模块； 第三步、 将数据集输入 网络进行训练， 并通过反向传播得到最优的模 型； 第四步， 模型输出的预测结果， 经过拼接， 得 到股骨三维重建模型； 第五步、 使用测量算法对 预测结果进行数据测量， 得出滑车的宽度信息。 本发明能将髌股关节CT切片图， 通过神经网络， 快速分割股骨结构， 重建三维股骨模型， 并结合 测量算法， 测出股骨滑车的宽度， 从而能减少股 骨滑车宽度测量的时间， 并能提高准确性和可靠 性。 权利要求书3页 说明书7页 附图3页 CN 115170502 A 2022.10.11 CN 115170502 A 1.一种基于深度学习的股骨滑车宽度测量方法， 其特 征在于， 包括以下步骤： 步骤一、 采集CT影 像并进行 数据标注， 从而构建数据集； 步骤1.1： 采集多位用户的髌股关节CT影像图， 并对第i个用户的CT影像图进行信息脱 敏处理后再进行归一化预处理， 得到第i个用户的三维CT数据矩阵Si； 对所述第i个用户的 CT影像图中的股骨结构进行 标注， 得到第i个用户的三维标签数据矩阵Mi； 步骤1.2： 在深度方向分别对三维CT数据矩阵Si和三维标签数据矩阵Mi进行切片处理， 相应得到第i个用户的CT切片数据矩阵集合{s1,i,…,sn,i,…sN,i}和标签切片数据矩阵集合 {m1,i,…,mn,i,…mN,i}， 其中， sn,i表示第i个用户的第 n个CT切片数据矩阵， mn,i表示与sn,i相 对应的标签切片数据矩阵， N表示切片总数； 步骤二、 构建MSC ‑Net分割网络， 包括： 编码层、 中间层、 解码层以及输出模块； 步骤2.1： 所述编码层由K个MSC模块和K ‑1个池化层依次交替连接组成， 其 中， 第k级MSC 模块包括： 一个特征提取块Uk， 两个卷积层， 三个BN层和ReLU激活函数层， 且所述特征提取 块Uk由a1个卷积层并联而成； 当k＝1时， 所述第n个切片数据矩阵sn,i输入至第k级MSC模块中， 并利用式(1) ‑式(4)得 到第k级MSC模块输出的特征图 将所述特征图 输入至第k级池化层中， 将 特征图 的长宽变为输入的 并输出特征图 其中， w表示缩放系数； 当k＝2,3, …,K‑1时， 将特征图 作为第k级MSC模块的输入， 并得到相应的输 出特征图 并将所述特征图 作为第k级池化层的输入， 从而由第K ‑1个池 化层的输出 并将所述特征图 作为第K级MSC模块的输入， 最终得到解 码层输出的特 征图 式(1)‑式(4)中， f表示输入数据， 当k＝1时， f＝sn ,i， 当k＝2 ,3 , …,K‑1时， 表示第k级MSC模块中的第1个卷积层， 分别表示第k级MSC 模块中的第1、 2、 3个BN层； 分别表示第k级MS C模块中的第1、 2、 3个ReLu激活函数 层， 表示第k级MSC模块中的第1个卷积层输出的特征图， Convn,k和 分别表示第k级MSC模 块的特征提取块Uk中的第n个卷积层及其输出的特征图， Cat表示拼接操作， 表示第k级 MSC模块中的特征提取块Uk输出的特征图， 表示第k级MSC模块输出的特征图， 且 步骤2.2： 所述中间层包括一个全局池化层， 两个全连接层， 一个ReLu激活函数层和一 个Sigmoid函数；权　利　要　求　书 1/3 页 2 CN 115170502 A 2所述特征图 输入至中间层中， 并利用式(5)得到中间层输出的特征图 MidResultn,i； 式(5)中， e表示所述特征图 FC1、 FC2分别表示中间层的第1、 2个全连接层， δ表 示中间层的ReLu激活函数层， σ 表示中间层的Sigmoi d函数， 表示权重相乘， E表示所述特 征图MidResultn,i； 步骤2.3： 所述解码层由K ‑1个解码卷积块组成； 其中， 第k级解码卷积块由b1个反卷积 层， 2b1个卷积层， BN层， RelU激活函数层组成； 当k＝1时， 所述特征图MidResultn,i输入至第k级解码卷积块中， 并利用式(6)得到第k 级解码卷积块输出的特征图UResultk； 并对所述特征图UResultk与所述特征 图 进行拼接操作后， 作为第k+1级解码卷积块的输入； 当k＝2,3, …K‑1时， 对所述特征图UResultk与特征图 进行拼接操作后， 作 为 第k+1级解码卷积块的输入， 从而由第K ‑1级解码卷积块得到所述解码层最 终输出的特征图 Result； 式(6)中， t表示所述特征图MidResultn,i， DConvk表示第k级解码卷积块中的反卷积层， 分别表示第k级解码卷积块中的第1、 2个卷积层， 分别表示第k级解码 卷积块中的第1、 2个BN层， 分别表示第1级解码卷积块中的第1、 2个RelU激活函数层， T表示所述特 征图UResultk； 步骤2.4： 所述输出模块由一个卷积层组成； 所述特征图Result输入至输出模块后， 利用式(7)得到第n个CT切片数据矩阵sn,i所对 应的股骨分割数据矩阵pn,i； pn,i＝Softmax(Co nv(Result) )   (7) 式(7)中， Co nv表示输出模块中的卷积层， Softmax表示输出模块的Softmax函数； 步骤三、 训练所述分割网络； 步骤3.1： 使用式(8)建立反向传播损失函数L： 式(8)中， R为股骨分割数据矩阵pn,i的像素数， 表示股骨分割数据矩阵pn,i中第z个像 素点的预测概 率值， 表示标签切片数据矩阵mn,i中第z个像素点的标签值， ω为权 重值； 步骤3.2： 利用梯度下降法对MSC ‑Net分割网络进行训练， 并计算损失函数L， 当训练迭 代次数达 到预定的次数时训练停止， 从而得到最优分割模型； 步骤四， 模型输出的切片数据， 经 过拼接， 得到股骨三维重建模型； 按照步骤一的过程对新用户的髌股关节CT影像图进行处理， 利用所述最优分割模型对权　利　要　求　书 2/3 页 3 CN 115170502 A 3