本發(fā)明涉及骨科手術中進行骨鉆孔時用于骨鉆削力預測的方法，尤其是一種基于ct影像的骨鉆削力預測方法及裝置，屬于骨鉆削力預測。

背景技術：

1、在醫(yī)療領域，骨鉆孔技術廣泛應用于骨科手術和植入物安裝中。鉆頭與骨組織之間的相互作用會產生鉆削力，而鉆削力大小會影響鉆孔過程骨組織的機械損傷，這對手術的成功和骨組織的完整性至關重要。傳統的鉆削力預測方法往往依賴于經驗和實驗數據，無法充分考慮骨組織的復雜性和個體差異。

2、近年來，計算機斷層掃描（ct）技術的進步使得醫(yī)生能夠獲取高分辨率的骨組織內部結構信息，從而更準確地評估骨密度和幾何特征。通過建立基于ct影像數據的鉆削力隨骨密度變化的非線性關系模型，可以更好地預測鉆削力的變化，不僅能減少手術風險，還能為個性化手術方案提供科學依據，具有重要的臨床應用價值和研究意義。

3、然而，利用ct影像數據進行鉆削力預測的研究仍較為短缺，幾乎沒有可借鑒的資料。

技術實現思路

1、本發(fā)明的目的是針對現有骨鉆削力預測技術存在的不足，提供一種基于ct影像的骨鉆削力預測方法，該方法能夠預測復雜情況下骨鉆削力的變化，為個性化手術方案提供依據，降低手術風險，保證鉆孔質量和手術安全性。本發(fā)明同時提供一種實現上述方法的裝置。

2、本發(fā)明的基于ct影像的骨鉆削力預測方法，包括以下步驟：

3、步驟s1：獲取人體一個種類骨組織（如顱骨、軀干骨或四肢骨）的樣本，進行計算機斷層掃描，根據掃描結果生成鉆孔位置處的三維立體影像；

4、步驟s2：基于步驟s1中的三維立體影像提取骨組織鉆孔位置處的厚度x及該厚度處的骨密度m，所述厚度x是指骨外膜與骨內膜之間任一位置處至骨外膜的距離（厚度也可以說是鉆削深度）；進而得到骨外膜與骨內膜之間骨密度m隨厚度x（鉆削深度）的變化關系，將該變化關系進行函數擬合，得到骨密度m隨厚度x（鉆削深度）變化的擬合函數；

5、步驟s3：進行鉆孔實驗，采集鉆削力數據，根據鉆削力隨鉆削深度（厚度）的變化，建立鉆削力隨鉆削深度（厚度）變化的擬合函數，并將步驟s2得到的骨密度m隨厚度x（鉆削深度）變化的擬合函數帶入鉆削力隨鉆削深度（厚度）變化的擬合函數，建立鉆削力隨骨密度變化的函數；

6、步驟s4：基于步驟s2和s3分別建立的骨外膜與骨內膜之間骨密度m隨厚度x（鉆削深度）的變化關系和鉆削力隨骨密度變化的函數，建立基于骨密度測量結果的鉆削力模型；

7、步驟s5：對基于骨密度測量結果的鉆削力模型進行校準及驗證，獲得確定的鉆削力模型；

8、步驟s6：手術前獲取的骨組織鉆孔位置的ct影像及骨密度信息，利用步驟5確定的鉆削力模型預測隨鉆深變化的鉆削力。

9、進一步地：

10、所述步驟s1中骨組織樣本的數量不小于30。

11、所述步驟s2中得到的擬合函數，如下式所示：

12、m=1.83x-0.06；

13、式中：m為骨密度，x為厚度（鉆削深度）。

14、所述步驟s3中建立的鉆削力隨鉆削深度（厚度）變化的擬合函數，如下式所示：

15、yf,x=1.026x-0.06；

16、式中：?yf,x為鉆削力隨鉆削深度變化的擬合函數，x為厚度（鉆削深度）。

17、所述步驟s3中建立的鉆削力隨骨密度變化的函數yf,m，如下式所示：

18、yf,m=0.56m，

19、式中：m為骨密度。

20、所述步驟s4中建立的鉆削力預測模型，如下式所示：

21、fz,m=0.56m×（fz,lip+fz,c）+?0.56m×ftind?；

22、式中：m為骨密度，fz,m為不同骨密度下的鉆削力，fz,lip和fz,c分別為鉆頭切削刃與橫刃上的鉆削力，ftind為橫刃上的壓痕力。

23、所述步驟s5的具體過程包括如下步驟：

24、步驟s51：任取至少一個骨樣本通過ct影像得到的骨外膜與骨內膜之間的骨密度m，將距骨外膜不同位置的骨密度導入步驟s4建立的鉆削力預測模型，獲得鉆削力預測結果；

25、步驟s52：進行鉆孔實驗，實時檢測鉆孔過程鉆削力的變化，獲得鉆削力實驗結果；

26、步驟s53：對比鉆削力預測結果與鉆削力實驗結果；

27、步驟s54：若鉆削力預測結果與鉆削力實驗結果的誤差率不小于設定值，對鉆削力預測模型進行校準；否則確定所述鉆削力預測模型。所述誤差率設定值為5%。

28、對鉆削力預測模型進行校準，具體地是通過深度學習算法完成。首先，收集實驗數據，將新的實驗數據與鉆削力模型預測結果進行整合，構成一個綜合數據集，對數據進行處理，創(chuàng)建包含鉆削力實驗結果和模型預測結果的特征集，添加實驗誤差作為特征（以便深度學習模型學習到模型預測與實際結果之間的差異）；然后，選擇深度學習架構（如多層感知機、卷積神經網絡等），并將數據劃分為訓練集、驗證集和測試集，使用激活函數和正則化方法防止過擬合，通過加入實際鉆削力數據來進行監(jiān)督學習，優(yōu)化模型參數，計算評估鉆削力實驗結果與模型預測結果的誤差，定量分析模型的改進效果；最終，根據實驗反饋和對比結果，調整模型架構或參數，優(yōu)化并輸出校準后的鉆削力模型。

29、上述方法適用于所有種類的骨組織，按照該方法可獲得每一種類骨組織的鉆削力預測模型。

30、實現上述方法的基于ct影像的骨鉆削力預測裝置，包括：ct影像模塊、特征提取及分析模塊和鉆削力預測模塊；

31、ct影像模塊用于獲取目標骨組織的ct影像，由計算機斷層影像系統完成；

32、特征提取及分析模塊用于從所述ct影像中提取骨組織的厚度和骨密度信息；

33、鉆削力預測模塊用于基于骨組織的厚度和骨密度信息的鉆削力預測。

34、進一步地：

35、所述計算機斷層影像系統的圖像分辨率在100μm以內。

36、本發(fā)明通過ct影像獲得目標骨組織的高分辨率圖像，能夠詳細顯示骨的內部結構和密度分布，然后建立基于ct影像的鉆削力隨骨密度變化的非線性關系模型，根據骨密度的不同分布實現對鉆削力的變化進行預測。通過輸入不同的鉆孔參數，可以預測特定條件下的鉆削力，為個性化手術方案提供依據。這使得醫(yī)生能夠根據預測結果調整參數，優(yōu)化鉆孔過程，降低手術風險，保證鉆孔質量和手術安全性，具有重要的臨床應用價值和研究意義。

技術特征：

1.一種基于ct影像的骨鉆削力預測方法，其特征在于：包括以下步驟：

2.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s1中骨組織樣本的數量不小于30。

3.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s2中得到的擬合函數，如下式所示：

4.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s3中建立的鉆削力隨鉆削深度變化的擬合函數，如下式所示：

5.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s3中建立的鉆削力隨骨密度變化的函數yf,m，如下式所示：

6.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s4中建立的鉆削力預測模型，如下式所示：

7.根據權利要求1所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s5的具體過程包括如下步驟：

8.根據權利要求7所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s54中的誤差率設定值為5%。

9.根據權利要求7所述的基于ct影像的骨鉆削力預測方法，其特征在于：所述步驟s54中

10.一種實現權利要求1-9任一項所述基于ct影像的骨鉆削力預測方法的基于ct影像的骨鉆削力預測裝置，其特征在于：包括：ct影像模塊、特征提取及分析模塊和鉆削力預測模塊；

技術總結
本發(fā)明涉及骨鉆削力預測技術領域，公開一種基于CT影像的骨鉆削力預測方法及裝置。該方法包括步驟S1：生成鉆孔位置處的三維立體影像；步驟S2：得到骨密度m隨厚度x變化的擬合函數；步驟S3：建立鉆削力隨骨密度變化的函數；步驟S4：建立基于骨密度測量結果的鉆削力模型；步驟S5：對基于骨密度測量結果的鉆削力模型進行校準及驗證，獲得確定的鉆削力模型；步驟S6：利用步驟5確定的鉆削力模型預測隨鉆深變化的鉆削力。該裝置包括CT影像模塊、特征提取及分析模塊和鉆削力預測模塊。本發(fā)明建立基于CT影像的鉆削力隨骨密度變化的非線性關系模型，根據骨密度的不同分布實現對鉆削力的變化進行預測，為個性化手術方案提供依據，降低手術風險。

技術研發(fā)人員：趙軍,宋少康
受保護的技術使用者：山東大學
技術研發(fā)日：
技術公布日：2024/12/19