買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉安徽大學(xué)申請的專利一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN115170502B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-05發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210769176.8，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法是由譚大禹;姚致遠(yuǎn);戴益科;周曉平;花林楓;丁睿;蘇延森;鄭春厚設(shè)計研發(fā)完成，并于2022-06-30向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法在說明書摘要公布了：本發(fā)明公開了一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法，包括：第一步、采集人體髕股關(guān)節(jié)CT影像，構(gòu)建數(shù)據(jù)集，進(jìn)行數(shù)據(jù)標(biāo)注和預(yù)處理；第二步、構(gòu)建MSC?Net神經(jīng)網(wǎng)絡(luò)中的編碼層、中間層、解碼層以及輸出模塊；第三步、將數(shù)據(jù)集輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并通過反向傳播得到最優(yōu)的模型；第四步，模型輸出的預(yù)測結(jié)果，經(jīng)過拼接，得到股骨三維重建模型；第五步、使用測量算法對預(yù)測結(jié)果進(jìn)行數(shù)據(jù)測量，得出滑車的寬度信息。本發(fā)明能將髕股關(guān)節(jié)CT切片圖，通過神經(jīng)網(wǎng)絡(luò)，快速分割股骨結(jié)構(gòu)，重建三維股骨模型，并結(jié)合測量算法，測出股骨滑車的寬度，從而能減少股骨滑車寬度測量的時間，并能提高準(zhǔn)確性和可靠性。

本發(fā)明授權(quán)一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法在權(quán)利要求書中公布了：1.一種基于深度學(xué)習(xí)的股骨滑車寬度測量方法，其特征在于，包括以下步驟： 步驟一、采集CT影像并進(jìn)行數(shù)據(jù)標(biāo)注，從而構(gòu)建數(shù)據(jù)集； 步驟1.1：采集多位用戶的髕股關(guān)節(jié)CT影像圖，并對第i個用戶的CT影像圖進(jìn)行信息脫敏處理后再進(jìn)行歸一化預(yù)處理，得到第i個用戶的三維CT數(shù)據(jù)矩陣Si；對所述第i個用戶的CT影像圖中的股骨結(jié)構(gòu)進(jìn)行標(biāo)注，得到第i個用戶的三維標(biāo)簽數(shù)據(jù)矩陣Mi； 步驟1.2：在深度方向分別對三維CT數(shù)據(jù)矩陣Si和三維標(biāo)簽數(shù)據(jù)矩陣Mi進(jìn)行切片處理，相應(yīng)得到第i個用戶的CT切片數(shù)據(jù)矩陣集合{s1,i,…,sn,i,…sN,i}和標(biāo)簽切片數(shù)據(jù)矩陣集合{m1,i,…,mn,i,…mN,i}，其中，sn,i表示第i個用戶的第n個CT切片數(shù)據(jù)矩陣，mn,i表示與sn,i相對應(yīng)的標(biāo)簽切片數(shù)據(jù)矩陣，N表示切片總數(shù)； 步驟二、構(gòu)建MSC-Net分割網(wǎng)絡(luò)，包括：編碼層、中間層、解碼層以及輸出模塊； 步驟2.1：所述編碼層由K個MSC模塊和K-1個池化層依次交替連接組成，其中，第k級MSC模塊包括：一個特征提取塊Uk，兩個卷積層，三個BN層和ReLU激活函數(shù)層，且所述特征提取塊Uk由a1個卷積層并聯(lián)而成； 當(dāng)k＝1時，所述第n個CT切片數(shù)據(jù)矩陣sn,i輸入至第k級MSC模塊中，并利用式1-式4得到第k級MSC模塊輸出的特征圖將所述特征圖輸入至第k級池化層中，將特征圖的長寬變?yōu)檩斎氲牟⑤敵鎏卣鲌D其中，w表示縮放系數(shù)； 當(dāng)k＝2,3,…,K-1時，將特征圖作為第k級MSC模塊的輸入，并得到相應(yīng)的輸出特征圖并將所述特征圖作為第k級池化層的輸入，從而由第K-1個池化層的輸出并將所述特征圖作為第K級MSC模塊的輸入，最終得到解碼層輸出的特征圖 式1-式4中，f表示輸入數(shù)據(jù)，當(dāng)k＝1時，f＝sn,i，當(dāng)k＝2,3,…,K-1時， 表示第k級MSC模塊中的第1個卷積層，分別表示第k級MSC模塊中的第1、2、3個BN層；分別表示第k級MSC模塊中的第1、2、3個ReLu激活函數(shù)層，表示第k級MSC模塊中的第1個卷積層輸出的特征圖，Convn,k和分別表示第k級MSC模塊的特征提取塊Uk中的第n個卷積層及其輸出的特征圖，Cat表示拼接操作，表示第k級MSC模塊中的特征提取塊Uk輸出的特征圖，表示第k級MSC模塊輸出的特征圖，且 步驟2.2：所述中間層包括一個全局池化層，兩個全連接層，一個ReLu激活函數(shù)層和一個Sigmoid函數(shù)； 所述特征圖輸入至中間層中，并利用式5得到中間層輸出的特征圖MidResultn,i； 式5中，e表示所述特征圖FC1、FC2分別表示中間層的第1、2個全連接層，δ表示中間層的ReLu激活函數(shù)層，σ表示中間層的Sigmoid函數(shù)，表示權(quán)重相乘，E表示所述特征圖MidResultn,i； 步驟2.3：所述解碼層由K-1個解碼卷積塊組成；其中，第k級解碼卷積塊由b1個反卷積層，2b1個卷積層，BN層，RelU激活函數(shù)層組成； 當(dāng)k＝1時，所述特征圖MidResultn,i輸入至第k級解碼卷積塊中，并利用式6得到第k級解碼卷積塊輸出的特征圖UResultk；并對所述特征圖UResultk與所述特征圖進(jìn)行拼接操作后，作為第k+1級解碼卷積塊的輸入； 當(dāng)k＝2,3,…K-1時，對所述特征圖UResultk與特征圖進(jìn)行拼接操作后，作為第k+1級解碼卷積塊的輸入，從而由第K-1級解碼卷積塊得到所述解碼層最終輸出的特征圖Result； 式6中，t表示所述特征圖MidResultn,i，DConvk表示第k級解碼卷積塊中的反卷積層，分別表示第k級解碼卷積塊中的第1、2個卷積層，分別表示第k級解碼卷積塊中的第1、2個BN層，分別表示第1級解碼卷積塊中的第1、2個RelU激活函數(shù)層，T表示所述特征圖UResultk； 步驟2.4：所述輸出模塊由一個卷積層組成； 所述特征圖Result輸入至輸出模塊后，利用式7得到第n個CT切片數(shù)據(jù)矩陣sn,i所對應(yīng)的股骨分割數(shù)據(jù)矩陣pn,i； pn,i＝SoftmaxConvResult7 式7中，Conv表示輸出模塊中的卷積層，Softmax表示輸出模塊的Softmax函數(shù)； 步驟三、訓(xùn)練所述分割網(wǎng)絡(luò)； 步驟3.1：使用式8建立反向傳播損失函數(shù)L： 式8中，R為股骨分割數(shù)據(jù)矩陣pn,i的像素數(shù)，表示股骨分割數(shù)據(jù)矩陣pn,i中第z個像素點的預(yù)測概率值，表示標(biāo)簽切片數(shù)據(jù)矩陣mn,i中第z個像素點的標(biāo)簽值，ω為權(quán)重值； 步驟3.2：利用梯度下降法對MSC-Net分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并計算損失函數(shù)L，當(dāng)訓(xùn)練迭代次數(shù)達(dá)到預(yù)定的次數(shù)時訓(xùn)練停止，從而得到最優(yōu)分割模型； 步驟四，模型輸出的切片數(shù)據(jù)，經(jīng)過拼接，得到股骨三維重建模型； 按照步驟一的過程對新用戶的髕股關(guān)節(jié)CT影像圖進(jìn)行處理，利用所述最優(yōu)分割模型對新用戶的CT切片數(shù)據(jù)矩陣集合進(jìn)行處理，并輸出預(yù)測的股骨分割數(shù)據(jù)矩陣集后，再拼接回原來的尺寸，從而得到完整的股骨三維重建數(shù)據(jù)矩陣； 步驟五、使用測量算法對分割出的股骨結(jié)構(gòu)進(jìn)行數(shù)據(jù)測量，得出滑車的寬度信息； 步驟5.1：從標(biāo)簽切片數(shù)據(jù)矩陣集合{m1,i,…,mn,i,…mN,i}中隨機(jī)選取H份標(biāo)簽數(shù)據(jù)并輸入至FasterR-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練后的FasterR-CNN網(wǎng)絡(luò)； 步驟5.2：將所述預(yù)測的股骨分割數(shù)據(jù)矩陣集輸入訓(xùn)練后的FasterR-CNN網(wǎng)絡(luò)中進(jìn)行目標(biāo)檢測，得出以股骨滑車結(jié)構(gòu)為目標(biāo)區(qū)域的檢測框位置，并返回檢測框的左下角的坐標(biāo)信息x1,y1、右上角的坐標(biāo)信息x2,y2以及目標(biāo)區(qū)域為真實目標(biāo)的可能性得分； 步驟5.3：對所有檢測框進(jìn)行篩選，保留可能性得分達(dá)到所設(shè)定的閾值的目標(biāo)區(qū)域的檢測框位置； 步驟5.4：對預(yù)測的股骨分割數(shù)據(jù)矩陣集中處于篩選后的目標(biāo)區(qū)域的檢測框位置內(nèi)的像素點進(jìn)行遍歷，從而確定股骨滑車的兩端最高點Q1、Q2的坐標(biāo)信息，并計算Q1、Q2的體素距離v； 步驟5.5：獲取新用戶的髕股關(guān)節(jié)CT影像圖的體素間距與真實物理間距的比例，并與體素距離v相乘，從而得出股骨滑車的真實物理寬度。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人安徽大學(xué)，其通訊地址為：230601 安徽省合肥市經(jīng)濟(jì)技術(shù)開發(fā)區(qū)九龍路111號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。