基于有限元分析的骨科内固定松动预测方法及系统与流程

本发明涉及智慧医疗系统，尤其涉及一种基于有限元分析的骨科内固定松动预测方法及系统。

背景技术：

1、脊柱手术是治疗各种脊柱疾病的关键手段，而螺钉固定技术因其提供稳定性和支持而成为这些手术中的一个重要组成部分，其需要使用螺钉固定骨骼椎体，以支持骨骼的正确对齐和促进骨愈合。然而，螺钉固定虽然广泛应用，但其并发症，尤其是螺钉松动，却是一个长期以来困扰医生和患者的严重问题。

2、螺钉松动不仅会导致疼痛和活动受限，还可能引发脊柱不稳定和神经结构损伤，甚至需要进行再次手术。这不仅增加了患者的身体和精神负担，也给医疗系统带来了额外的经济压力。

3、目前，预测和评估螺钉松动的技术主要依赖于影像学评估和生物力学测试。影像学评估，尽管提供了直观的螺钉位置和状态信息，但往往难以在早期准确预测松动。此外，这种方法在某种程度上是主观的，依赖于放射科医生的经验和判断。

4、生物力学测试，包括骨密度评估和微动测量，虽然提供了一定的预测信息，但这些测试通常是侵入性的，或者只能在特定的临床环境中进行。此外，这些方法往往不能提供实时或动态的螺钉固定状态监测，并且通常无法综合考虑个体差异、手术技术的差异和螺钉与骨质交互作用的复杂性。

5、针对上述问题，目前业界暂未提出较佳的技术解决方案。

技术实现思路

1、本发明实施例提供了一种基于有限元分析的骨科内固定松动预测方法、系统、电子设备及存储介质，用于至少解决上述技术问题之一。

2、第一方面，本发明实施例提供一种基于有限元分析的骨科内固定松动预测方法，包括：获取目标患者骨骼图像集，所述目标患者骨骼图像集包含多张通过螺旋ct扫描仪对目标患者的骨骼三维ct图像，所述目标患者为骨骼椎体植有螺钉的患者；基于所述目标患者骨骼图像集和预设的对应所述螺钉的螺钉三维组件，构建针对所述目标患者的目标骨骼三维模型；基于预设的有限元分析算法解析所述目标骨骼三维模型，以生成针对所述螺钉的骨骼应力热力图；所述骨骼应力热力图包含多个热力区域，每一热力区域分别具有相应的骨骼应力数值区间；将所述骨骼应力热力图输入至螺钉松动预测模型，以确定螺钉松动预测结果，所述螺钉松动预测模型采用卷积神经网络。

3、可选地，所述螺钉松动预测模型包含级联的多尺度特征提取模块、松动注意力模块和融合预测模块；所述多尺度特征提取模块包括多个并行的卷积分支，以用于提取所述骨骼应力热力图对应各个尺度的特征图；每一所述卷积分支分别被配置成具有相应的卷积核大小和步幅，以捕获相应尺度下的空间信息；所述松动注意力模块，用于确定各个所述卷积分支所对应的尺度注意力权重，以对相应尺度的特征图进行加权；所述融合预测模块，用于根据各个经加权的特征图构建融合特征图，并确定所述融合特征图所对应的螺钉松动预测结果。

4、可选地，所述多尺度特征提取模块的结构如下：

5、fi＝conv(i,ki,si)

6、式中，fi表示第i个尺度的输出特征图，i表示骨骼应力热力图，ki表示对应第i个尺度的卷积分支的卷积核大小，si表示对应第i个尺度的卷积分支的步幅，conv(·)表示卷积操作；

7、所述松动注意力模块的结构如下：

8、fiweighted＝fi·ai

9、ai＝softmax(fi·fit)

10、式中，ai表示对应第i个尺度的注意力权重，fit表示fi的转置矩阵，以及fiweighted表示对应第i个尺度的加权特征图，softmax(·)表示softmax函数；

11、所述融合预测模块的结构如下：

12、m＝concat(f1weighted,f2weighted,...,fnweighted)

13、p＝sigmoid(fc(m))

14、式中，m表示融合后的特征图，fc(·)表示全连接层处理，concat(·)表示特征图拼接操作，sigmoid(·)表示sigmoid激活函数，p表示预测结果。

15、可选地，所述螺钉松动预测模型的损失函数为：

16、loss＝-α·y·log(p)-(1-y)·log(1-p)

17、

18、式中，loss表示损失；p表示由螺钉松动预测模型所确定的螺钉松动概率；α表示自适应调整权重系数，其是根据p而确定的；y表示训练样本的标签值，其用于指示真实的螺钉松动结果；k和b分别为预设常数。

19、可选地，所述基于预设的有限元分析算法解析所述目标骨骼三维模型，以生成针对所述螺钉的骨骼应力热力图，包括：计算所述目标骨骼三维模型中各个离散单元的应力值；所述离散单元是根据分布在所述螺钉周围的三维网格单元而确定的；针对各个所述离散单元的应力值，从预设的应力值区间集中确定与所述离散单元的应力值匹配的目标应力值区间；所述应力值区间集包含多个应力值区间，每一所述应力值区间分别具有相应的热力映射颜色；根据各个所述离散单元的目标应力值区间所对应的热力映射颜色，绘制骨骼应力热力图。

20、可选地，所述目标患者骨骼图像集包含所述目标患者对应多个预设的骨骼运动状态的骨骼三维ct图像；所述骨骼运动状态包含以下中的至少一者：骨骼向前弯曲、骨骼向后弯曲、骨骼向侧面弯曲和骨骼绕纵轴旋转。

21、可选地，所述目标骨骼三维模型包含多个骨骼仿真模块，每一所述骨骼仿真模块分别具有相应的骨骼运动状态；相应地，所述骨骼应力热力图包含多个骨骼应力热力图片段，每一所述骨骼应力热力图片段分别具有相应的骨骼运动状态；所述将所述骨骼应力热力图输入至螺钉松动预测模型，以确定螺钉松动预测结果，包括：将各个所述骨骼应力热力图片段和相应的骨骼运动状态输入至螺钉松动预测模型，以确定螺钉松动预测结果。

22、可选地，所述基于所述目标患者骨骼图像集和预设的对应所述螺钉的螺钉三维组件，构建针对所述目标患者的目标骨骼三维模型，包括：基于所述目标患者骨骼图像集，构建针对所述目标患者的初始骨骼三维模型；基于预设的对应所述螺钉的螺钉三维组件对所述初始骨骼三维模型中的螺钉进行配准，以确定三维形变信息；根据所述三维形变信息校准所述初始骨骼三维模型，以确定所述目标骨骼三维模型。

23、第二方面，本发明实施例提供一种基于有限元分析的骨科内固定松动预测系统，包括：获取单元，被配置成获取目标患者骨骼图像集，所述目标患者骨骼图像集包含多张通过螺旋ct扫描仪对目标患者的骨骼三维ct图像，所述目标患者为骨骼椎体植有螺钉的患者；建模单元，被配置成基于所述目标患者骨骼图像集和预设的对应所述螺钉的螺钉三维组件，构建针对所述目标患者的目标骨骼三维模型；热力图生成单元，被配置成基于预设的有限元分析算法解析所述目标骨骼三维模型，以生成针对所述螺钉的骨骼应力热力图；所述骨骼应力热力图包含多个热力区域，每一热力区域分别具有相应的骨骼应力数值区间；松动预测单元，被配置成将所述骨骼应力热力图输入至螺钉松动预测模型，以确定螺钉松动预测结果，所述螺钉松动预测模型采用卷积神经网络。

24、第三方面，本发明实施例提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述方法的步骤。

25、第四方面，本发明实施例提供一种存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述方法的步骤。

26、第五方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述方法的步骤。

27、通过本发明提供的一种基于有限元分析的骨科内固定松动预测方法、系统、电子设备及非暂态计算机可读存储介质，能够至少产生如下的技术效果：

28、(1)通过结合高精度的三维ct图像和有限元分析算法，通过生成骨骼应力热力图以更精确地模拟骨骼及螺钉的应力分布情况，相比于传统的影像学评估和生物力学测试，能够提供更为详细和全面的数据，提高螺钉松动预测的准确性。

29、(2)利用人工智能技术处理骨骼应力热力图，使用卷积神经网络学习骨骼应力热力图中与螺钉松动相关的图像特征信息，有助于在螺钉松动发生前就发现潜在的风险，从而为早期干预提供了可能性，能够有效减少因螺钉松动导致的复杂并发症和二次手术的风险。

30、(3)由于每个患者的骨骼结构和骨质情况都有所不同，本方案通过对个体患者的骨骼进行三维建模和应力分析，可以为每位患者提供个性化的治疗方案，提高治疗的针对性和效果。

31、通过本发明实施例，采用高精度的三维建模、精细的应力分析和先进的人工智能预测算法，相比于传统的生物力学测试，本方案无需对患者进行侵入性检测，减少了患者的痛苦和风险，并具有高准确性、个体化、非侵入性、实时监控和动态评估等优点，对提高脊柱手术的安全性和有效性具有重要意义。