| 基于神经网络和体素模板的骨骼受损类型判别 |
| |
| 引用本文： | 陈义仁, 何坤金, 陆丰威, 蒋俊锋, 陈正鸣. 基于神经网络和体素模板的骨骼受损类型判别[J]. 计算机辅助设计与图形学学报, 2021, 33(8): 1295-1307. DOI: 10.3724/SP.J.1089.2021.18634 |
| |
| 作者姓名： | 陈义仁 何坤金 陆丰威 蒋俊锋 陈正鸣 |
| |
| 作者单位： | 河海大学物联网工程学院 常州 213022;安庆师范大学计算机与信息学院 安庆 246133;常州市图形图像与骨科植入物数字化技术重点实验室 常州 213022;河海大学物联网工程学院 常州 213022;常州市图形图像与骨科植入物数字化技术重点实验室 常州 213022;河海大学疏浚技术教育部工程研究中心 常州 213022;河海大学物联网工程学院 常州 213022;常州市图形图像与骨科植入物数字化技术重点实验室 常州 213022 |
| |
| 基金项目： | 国家自然科学基金(61772172); 中央高校基金科研业务费专项(B200204036); 常州市科技支撑计划(社会发展)(CE20195029); 江苏省自然科学基金(BK20181158); 安徽高校协同创新项目(GXXT-2019-008) |
| |
| 摘 要： | 针对骨骼受损类型复杂多样、难以自动判别的问题,提出一种基于神经网络和体素模板的骨骼受损类型自动判别方法.首先构建一种区域分割且规则化的体素模板,以有效地表征形态结构不规则的骨骼受损区域;然后建立一种受损骨骼与体素模板之间的同构映射,用于提取受损区域的体素信息,并依此生成受损类型体素样本库;再结合医学先验知识定义一种受损区域体素间的约束关系,将连续受损区域作为单元,对同类型样本进行组合以扩充样本库;最后设计和训练神经网络模型对骨骼的受损类型进行自动判别.实验中采集352份股骨受损样本,其预测结果与骨科医师的临床诊断结论相比,准确率达97%,且分类准确率、时间性能和所识别的受损类型数目优于现有文献方法,结果表明,该方法能够辅助医生快速、有效地判断患者骨骼的受损类型,为骨折手术中内固定植入物的选取提供理论基础.
|
| 关 键 词： | 体素模板 神经网络 受损类型 平均化模型 |
| 收稿时间： | 2020-08-31 |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
| 点击此处可从《计算机辅助设计与图形学学报》浏览原始摘要信息 |
|
点击此处可从《计算机辅助设计与图形学学报》下载全文 |
|
