本申请涉及医疗图像处理，具体而言，涉及一种基于强化学习的髋臼周围截骨规划方法及装置。
背景技术：
1、髋臼周围截骨术(periacetabular osteotomy,pao)是一种用于治疗髋关节发育不良的手术方法，pao通过重新定位髋臼来改善髋关节的覆盖，从而减轻疼痛并延缓或预防髋关节退变性疾病的发展。
2、其中，髋臼周围截骨术的截骨面位置设置，对于手术能否成功以及术后恢复具有很大影响，目前仅通过医生个人经验进行人工设置，具有较大的不确定性。
技术实现思路
1、本申请解决的问题是当前人工设置截骨面位置，设置效果波动过大。
2、为解决上述问题，本申请第一方面提供了基于强化学习的髋臼周围截骨规划方法，包括：
3、获取髋关节医学图像；
4、基于所述髋关节医学图像，确定髋臼的调整信息；
5、基于强化学习和髋臼的调整信息，对髋臼周围截骨位置进行训练；
6、训练完成后，选择具有最高累积奖励的截骨位置，作为髋臼周围截骨规划；
7、所述强化学习为深度q网络学习。
8、本申请第二方面提供了基于强化学习的髋臼周围截骨规划装置，其包括：
9、图像获取模块，其用于获取髋关节医学图像；
10、调整确定模块，其用于基于所述髋关节医学图像，确定髋臼的调整信息；
11、强化学习模块，其用于基于强化学习和髋臼的调整信息，对髋臼周围截骨位置进行训练；
12、截骨规划模块，其用于训练完成后，选择具有最高累积奖励的截骨位置，作为髋臼周围截骨规划；所述强化学习为深度q网络学习。
13、本申请第三方面提供了一种电子设备，其包括：存储器和处理器；
14、所述存储器，其用于存储程序；
15、所述处理器，耦合至所述存储器，用于执行所述程序，以用于：
16、获取髋关节医学图像；
17、基于所述髋关节医学图像，确定髋臼的调整信息；
18、基于强化学习和髋臼的调整信息，对髋臼周围截骨位置进行训练；
19、训练完成后，选择具有最高累积奖励的截骨位置，作为髋臼周围截骨规划；
20、所述强化学习为深度q网络学习。
21、本申请第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述所述的基于强化学习的髋臼周围截骨规划方法。
22、本申请中，通过强化学习的方式，对髋臼周围截骨位置进行迭代和训练，从而使得到的髋臼周围截骨位置，保证了截骨位置设置的准确性。
23、本申请中，通过对髋臼周围截骨位置进行迭代和训练，从而使得该截骨位置截骨后，可以以最小的空隙将髋臼转移至调整位置，从而加快术后恢复和手术效果。
1.一种基于强化学习的髋臼周围截骨规划方法，其特征在于，包括：
2.根据权利要求1所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述基于所述髋关节医学图像，确定髋臼的调整信息，包括：
3.根据权利要求1所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述基于强化学习和髋臼的调整信息，对髋臼周围截骨位置进行训练，包括：
4.根据权利要求3所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述深度q网络模型包括并行设置的低层特征提取结构和高层特征提取结构；所述低层特征提取结构处理得到的特征图与所述高层特征提取结构处理得到的特征图相加后，依次进行卷积处理和多个全连接层处理，得到对应的q值。
5.根据权利要求3所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述损失函数为：
6.根据权利要求3所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述奖励函数为旋转后髋臼侧截骨面与保留侧截骨面之间的空隙最小，且，髂前上棘和髂前下棘之间的凹窝处与对应截骨面的距离小于1cm，且，坐骨大切迹前方凹窝处与对应截骨面的距离大于1cm，且截骨面与髋关节外表面的交界处具有预设的神经敏感区域边缘的距离大于预设距离。
7.根据权利要求1-3中任一项所述的基于强化学习的髋臼周围截骨规划方法，其特征在于，所述训练完成后，选择具有最高累积奖励的截骨位置，作为髋臼周围截骨规划，包括：
8.一种基于强化学习的髋臼周围截骨规划装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括：存储器和处理器；
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现权利要求1-7任一项所述的基于强化学习的髋臼周围截骨规划方法。
