买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利一种基于深度学习的股骨滑车宽度测量方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115170502B 。

龙图腾网通过国家知识产权局官网在2025-09-05发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210769176.8，技术领域涉及：G06T7/00；该发明授权一种基于深度学习的股骨滑车宽度测量方法是由谭大禹;姚致远;戴益科;周晓平;花林枫;丁睿;苏延森;郑春厚设计研发完成，并于2022-06-30向国家知识产权局提交的专利申请。

本一种基于深度学习的股骨滑车宽度测量方法在说明书摘要公布了：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。

本发明授权一种基于深度学习的股骨滑车宽度测量方法在权利要求书中公布了：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CT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MSC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； 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Sigmoid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＝SoftmaxConvResult7 式7中，Conv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新用户的CT切片数据矩阵集合进行处理，并输出预测的股骨分割数据矩阵集后，再拼接回原来的尺寸，从而得到完整的股骨三维重建数据矩阵； 步骤五、使用测量算法对分割出的股骨结构进行数据测量，得出滑车的宽度信息； 步骤5.1：从标签切片数据矩阵集合{m1,i,…,mn,i,…mN,i}中随机选取H份标签数据并输入至FasterR-CNN网络进行训练，得到训练后的FasterR-CNN网络； 步骤5.2：将所述预测的股骨分割数据矩阵集输入训练后的FasterR-CNN网络中进行目标检测，得出以股骨滑车结构为目标区域的检测框位置，并返回检测框的左下角的坐标信息x1,y1、右上角的坐标信息x2,y2以及目标区域为真实目标的可能性得分； 步骤5.3：对所有检测框进行筛选，保留可能性得分达到所设定的阈值的目标区域的检测框位置； 步骤5.4：对预测的股骨分割数据矩阵集中处于筛选后的目标区域的检测框位置内的像素点进行遍历，从而确定股骨滑车的两端最高点Q1、Q2的坐标信息，并计算Q1、Q2的体素距离v； 步骤5.5：获取新用户的髌股关节CT影像图的体素间距与真实物理间距的比例，并与体素距离v相乘，从而得出股骨滑车的真实物理宽度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。