[发明专利]基于人工智能的骨科牵引辅助方法

说明书

本发明涉及数据处理领域，具体涉及基于人工智能的骨科牵引辅助方法。方法包括：获取健康肢体的热成像样本图像和恢复阶段各时刻患肢的热成像样本图像；得到恢复阶段各时刻患肢的病症特征图；根据病症特征值，得到各像素点病症特征的变化率和各像素点与其周围设定个数的像素点的变化一致性指标；得到患肢在任意两个时刻之间的病症关联特征；根据恢复阶段各时刻患肢的热成像图像和患肢在任意两个时刻之间的病症关联特征，对神经网络进行训练；将待辅助患肢的热成像图像和对应的健康肢体热成像图像输入训练好的神经网络中，得到待辅助患肢所需的牵引力度。本发明解决了现有方法存在的效率较低的问题。

技术领域

本发明涉及数据处理领域，具体涉及基于人工智能的骨科牵引辅助方法。

背景技术

骨科牵引是应用作用力与反作用力的原理对抗软组织的紧张与回缩，以达到治疗和辅助治疗的目的。在对患者进行骨科牵引过程中，需要医护人员定时去检查患者的患肢情况，例如是否有肌肉痉挛或者肿胀等情况，并且根据症状去调整牵引的力度。这种方法需要花费医护人员太多的时间与精力，效率较低。

发明内容

为了解决现有方法获取患者患肢所需牵引力度存在效率低的问题，本发明的目的在于提供一种基于人工智能的骨科牵引辅助方法，所采用的技术方案具体如下：

本发明提供了一种基于人工智能的骨科牵引辅助方法,该方法包括以下步骤：

获取健康肢体的热成像样本图像和恢复阶段各时刻患肢的热成像样本图像；

根据所述健康肢体的热成像样本图像和恢复阶段各时刻患肢的热成像样本图像，得到恢复阶段各时刻患肢的病症特征图；

根据恢复阶段各时刻患肢的病症特征图中各像素点的病症特征值，得到恢复阶段各时刻对应的时间窗口内患肢的热成像图像中各像素点病症特征的变化率和各像素点与其周围设定个数的像素点的变化一致性指标；

根据所述各像素点病症特征的变化率和所述各像素点与其周围设定个数的像素点的变化一致性指标，得到患肢在任意两个时刻之间的病症关联特征；

根据恢复阶段各时刻患肢的热成像图像和患肢在任意两个时刻之间的病症关联特征，对神经网络进行训练；

将待辅助患肢的热成像图像和对应的健康肢体热成像图像输入训练好的神经网络中，得到待辅助患肢所需的牵引力度。

优选的，所述神经网络的损失函数为：

其中，为神经网络的损失函数，为变分自编码器网络的常用损失函数，为神经网络中全连接层输出的标量，即神经网络输出的第n个患者t时刻的牵引力度，为第n个患者t时刻所需的牵引力度，为将第n个患者t时刻的患肢的热成像图像输入到神经网络中编码器输出的高维高斯模型，为与同维度的标准正态分布，为和的KL散度，为子损失函数，为骨科牵引过程约束项，为骨科牵引对象约束项，为第n个患者t时刻和第x时刻的病症关联特征，为第n个患者和第m个患者在骨科牵引过程中的平均牵引合适程度，为第n个患者第x时刻患肢的热成像图像输入神经网络后获得的高维高斯模型，为第m个患者第x时刻患肢的热成像图像输入神经网络后获得的高维高斯模型，为第n个患者骨科牵引的总时长中选取的总时刻数，为与第n个患者病症相同且体型形似的患者数量，为和的KL散度，为和的KL散度。

优选的，所述根据所述健康肢体的热成像样本图像和恢复阶段各时刻患肢的热成像样本图像，得到恢复阶段各时刻患肢的病症特征图，包括：

分别以恢复阶段各时刻患肢的热成像图像中各像素点为中心，获取各像素点周围设定个数的像素点的灰度直方图，得到患肢的热成像图像中各像素点对应的灰度直方图；

分别以健康肢体的热成像图像中各像素点为中心，获取各像素点周围设定个数的像素点的灰度直方图，得到健康肢体的热成像图像中各像素点对应的灰度直方图；