本發(fā)明涉及核醫(yī)學影像，具體為基于人工智能的核醫(yī)學影像預(yù)測系統(tǒng)。

背景技術(shù)：

1、核醫(yī)學影像技術(shù)作為臨床診斷中的重要手段，通過追蹤放射性示蹤劑在體內(nèi)的分布與代謝，能夠反映組織器官的功能狀態(tài)和生理過程，在腫瘤、心血管疾病、神經(jīng)系統(tǒng)疾病等多種病癥的早期診斷和療效評估中發(fā)揮著關(guān)鍵作用。隨著醫(yī)學影像技術(shù)的不斷發(fā)展，核醫(yī)學影像數(shù)據(jù)的復(fù)雜度和信息量持續(xù)提升，傳統(tǒng)的影像分析方法逐漸暴露出諸多局限。

2、核醫(yī)學影像的解讀主要依賴于醫(yī)師的經(jīng)驗判斷，存在主觀性強、一致性差的問題。不同醫(yī)師對同一影像的分析可能存在差異，尤其是在病變早期，影像特征不明顯時，容易出現(xiàn)漏診或誤診。同時，核醫(yī)學影像通常包含動態(tài)時序信息，需要結(jié)合靜態(tài)結(jié)構(gòu)影像進行綜合分析，而人工處理過程中難以精準捕捉動態(tài)功能與靜態(tài)結(jié)構(gòu)之間的時空關(guān)聯(lián)，導(dǎo)致對病變發(fā)展趨勢的預(yù)測準確性受限。

3、現(xiàn)有技術(shù)中，部分自動化分析系統(tǒng)雖嘗試引入計算機輔助診斷技術(shù)，但大多局限于單一模態(tài)影像的靜態(tài)分析，無法有效融合動態(tài)功能代謝數(shù)據(jù)與靜態(tài)結(jié)構(gòu)數(shù)據(jù)。例如，一些系統(tǒng)僅針對靜態(tài)影像進行特征提取，忽略了示蹤劑在體內(nèi)隨時間變化的動態(tài)過程，難以反映病變的動態(tài)發(fā)展規(guī)律；另一些系統(tǒng)雖涉及動態(tài)數(shù)據(jù)處理，但缺乏對多模態(tài)數(shù)據(jù)的時空關(guān)聯(lián)建模，導(dǎo)致特征融合的有效性不足，影響了預(yù)測結(jié)果的可靠性。

4、現(xiàn)有預(yù)測模型的適應(yīng)性和泛化能力較弱，難以根據(jù)臨床實際應(yīng)用情況進行動態(tài)優(yōu)化。在實際臨床場景中，不同患者的個體差異、設(shè)備參數(shù)的波動以及疾病的復(fù)雜表現(xiàn)，都會導(dǎo)致模型的預(yù)測效能下降。而傳統(tǒng)模型通常采用固定的參數(shù)設(shè)置，無法實時跟蹤應(yīng)用效果并進行針對性調(diào)整，使得模型在長期使用過程中難以維持穩(wěn)定的預(yù)測性能。

5、現(xiàn)有系統(tǒng)的輸出結(jié)果與臨床需求的契合度不足，往往僅提供簡單的概率值或特征標注，缺乏標準化的臨床決策支持信息，導(dǎo)致醫(yī)師在實際應(yīng)用中需要進行大量的二次解讀和處理，降低了診斷效率。此外，模型的優(yōu)化過程缺乏動態(tài)反饋機制，無法根據(jù)實際應(yīng)用效果進行實時調(diào)整，使得模型的預(yù)測效能難以持續(xù)提升。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供基于人工智能的核醫(yī)學影像預(yù)測系統(tǒng)，以解決上述背景技術(shù)中提出的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供基于人工智能的核醫(yī)學影像預(yù)測系統(tǒng)，所述系統(tǒng)包括：

3、影像動態(tài)采集層，基于多模態(tài)時序采樣機制獲取核醫(yī)學影像數(shù)據(jù)，對核醫(yī)學影像數(shù)據(jù)應(yīng)用自適應(yīng)降噪網(wǎng)絡(luò)，生成動態(tài)功能代謝圖譜，并對動態(tài)功能代謝圖譜進行異常概率標注；

4、深度特征提取層，根據(jù)標注的異常概率區(qū)域部署三維卷積模塊，通過空洞卷積擴展感受野捕獲影像深層特征，生成多尺度語義特征圖譜；

5、跨模態(tài)時序融合層，建立靜態(tài)結(jié)構(gòu)與動態(tài)功能的時空關(guān)聯(lián)，采用注意力機制同步特征權(quán)重，通過門控循環(huán)單元融合動態(tài)功能代謝圖譜和多尺度語義特征圖譜，生成病變風險概率；

6、智能預(yù)測決策層，基于強化學習算法將病變風險概率轉(zhuǎn)化為臨床預(yù)測結(jié)果，并通過標準化接口實時輸出臨床預(yù)測結(jié)果至終端設(shè)備；

7、動態(tài)反饋優(yōu)化層，實時跟蹤終端設(shè)備接收的臨床預(yù)測結(jié)果應(yīng)用情況，計算實際應(yīng)用效果與預(yù)設(shè)效果閾值的偏差，生成模型預(yù)測效能指數(shù)，動態(tài)優(yōu)化核醫(yī)學影像預(yù)測模型，直至模型預(yù)測效能指數(shù)達到穩(wěn)定。

8、優(yōu)選的，所述基于多模態(tài)時序采樣機制獲取核醫(yī)學影像數(shù)據(jù)的方法包括：

9、在核醫(yī)學影像預(yù)測系統(tǒng)部署pet掃描儀、spect成像儀和mri設(shè)備三種影像采集裝置，分別采集人體器官的多模態(tài)影像數(shù)據(jù)；多模態(tài)影像數(shù)據(jù)包括器官代謝活性數(shù)據(jù)、血流灌注數(shù)據(jù)和解剖結(jié)構(gòu)數(shù)據(jù)；

10、模擬生理活動周期的動態(tài)采樣機制，動態(tài)調(diào)整掃描幀率與圖像分辨率；基于人體解剖圖譜，將器官的功能敏感區(qū)、病變高發(fā)區(qū)和結(jié)構(gòu)邊界區(qū)記為高優(yōu)先級采樣區(qū)；將器官其余部分區(qū)域記為常規(guī)采樣區(qū)；動態(tài)定義采樣權(quán)重函數(shù)，將器官區(qū)域劃分為高優(yōu)先級采樣區(qū)和常規(guī)采樣區(qū)；高優(yōu)先級采樣區(qū)采用高密度時序采樣，常規(guī)采樣區(qū)采用稀疏時序采樣；

11、通過時序差分網(wǎng)絡(luò)實時分析多模態(tài)影像數(shù)據(jù)中的動態(tài)變化特征，時序差分網(wǎng)絡(luò)的輸入為多模態(tài)影像數(shù)據(jù)，輸出為動態(tài)變化區(qū)域；根據(jù)動態(tài)變化區(qū)域動態(tài)調(diào)整采樣區(qū)范圍，若檢測到新動態(tài)變化區(qū)域，將新動態(tài)變化區(qū)域納入高優(yōu)先級采樣區(qū)；若檢測到高優(yōu)先級采樣區(qū)無動態(tài)變化，則將高優(yōu)先級采樣區(qū)降為常規(guī)采樣區(qū)；高優(yōu)先級采樣區(qū)采用連續(xù)幀掃描模式，常規(guī)采樣區(qū)采用間隔幀掃描模式，通過控制指令動態(tài)調(diào)整采集裝置參數(shù)，得到最終的多模態(tài)影像數(shù)據(jù)。

12、優(yōu)選的，所述對核醫(yī)學影像數(shù)據(jù)應(yīng)用自適應(yīng)降噪網(wǎng)絡(luò)，生成動態(tài)功能代謝圖譜的方法包括：

13、對核醫(yī)學影像數(shù)據(jù)進行強度歸一化處理，將歸一化后的核醫(yī)學影像數(shù)據(jù)按模態(tài)維度堆疊成一個五維張量，五維張量的維度包括高度、寬度、深度、模態(tài)數(shù)和時間幀；構(gòu)建自適應(yīng)降噪網(wǎng)絡(luò)結(jié)構(gòu)，自適應(yīng)降噪網(wǎng)絡(luò)結(jié)構(gòu)包含噪聲估計模塊、特征增強模塊和圖譜重構(gòu)模塊；

14、將核醫(yī)學影像數(shù)據(jù)輸入至自適應(yīng)降噪網(wǎng)絡(luò)結(jié)構(gòu)中，在噪聲估計模塊中，使用變分自編碼器對輸入的影像數(shù)據(jù)進行噪聲分布建模，生成噪聲概率圖，逐層分離不同模態(tài)的噪聲特征，不同模態(tài)的噪聲特征包括pet噪聲特征、spect噪聲特征和mri噪聲特征；在特征增強模塊中，將去噪后的影像特征通過殘差連接逐步恢復(fù)細節(jié)信息；在噪聲估計模塊和特征增強模塊之間建立反饋連接，將噪聲概率圖反饋至特征增強模塊進行針對性降噪；

15、在自適應(yīng)降噪網(wǎng)絡(luò)結(jié)構(gòu)的輸出端應(yīng)用3d反卷積進行分辨率恢復(fù)，將自適應(yīng)降噪網(wǎng)絡(luò)結(jié)構(gòu)輸出的多模態(tài)去噪特征進行時空融合，生成動態(tài)功能代謝圖譜。

16、優(yōu)選的，所述對動態(tài)功能代謝圖譜進行異常概率標注的方法包括：

17、計算動態(tài)功能代謝圖譜中每個體素的代謝活性指數(shù)，通過對核醫(yī)學影像數(shù)據(jù)中包括的器官代謝活性數(shù)據(jù)、血流灌注數(shù)據(jù)和解剖結(jié)構(gòu)數(shù)據(jù)進行加權(quán)融合，得到代謝活性指數(shù)；

18、預(yù)設(shè)代謝活性指數(shù)第一閾值和代謝活性指數(shù)第二閾值，將代謝活性指數(shù)分別與預(yù)設(shè)代謝活性指數(shù)第一閾值和預(yù)設(shè)代謝活性指數(shù)第二閾值進行對比，若代謝活性指數(shù)小于代謝活性指數(shù)第一閾值，則將該指數(shù)對應(yīng)的體素標記為低異常概率；若代謝活性指數(shù)大于代謝活性指數(shù)第一閾值且小于代謝活性指數(shù)第二閾值，則將該指數(shù)對應(yīng)的體素標記為中異常概率；若代謝活性指數(shù)大于代謝活性指數(shù)第二閾值，則將該指數(shù)對應(yīng)的體素標記為高異常概率；

19、使用不同數(shù)值對動態(tài)功能代謝圖譜進行異常概率標注，不同數(shù)值代表不同的異常概率等級，定義低異常概率數(shù)值為0.2，中異常概率數(shù)值為0.5，高異常概率數(shù)值為0.8。

20、優(yōu)選的，所述生成多尺度語義特征圖譜的方法包括：

21、根據(jù)標注的異常概率區(qū)域，在動態(tài)功能代謝圖譜上分配不同密度的特征提取點；特征提取點采用三維坐標定位，針對不同異常概率區(qū)域采用差異化的卷積核尺寸，通過三維卷積模塊對影像數(shù)據(jù)進行特征提取，進行初始全局特征映射，根據(jù)動態(tài)功能代謝圖譜的異常概率區(qū)域動態(tài)調(diào)整卷積步長，其中高異常概率區(qū)域的卷積步長小于中異常概率區(qū)域，中異常概率區(qū)域的卷積步長小于低異常概率區(qū)域；應(yīng)用多尺度融合算法對卷積特征進行動態(tài)整合，引入注意力權(quán)重機制，通過迭代特征優(yōu)化算法不斷修正特征圖中的權(quán)重參數(shù)，當達到預(yù)設(shè)迭代次數(shù)時停止；基于特征金字塔模型建立語義特征層級結(jié)構(gòu)，通過自適應(yīng)池化操作融合不同尺度特征，最終生成帶概率標注的多尺度語義特征圖譜。

22、優(yōu)選的，所述建立靜態(tài)結(jié)構(gòu)與動態(tài)功能的時空關(guān)聯(lián)的方法包括：

23、以人體解剖坐標系原點作為參考點，x軸和y軸平行于橫斷面，z軸垂直于橫斷面，定義一個統(tǒng)一的影像坐標系；使用標定體模對影像采集裝置進行標定，獲取采集裝置的空間變換參數(shù)；通過空間變換參數(shù)將動態(tài)功能代謝圖譜的體素坐標轉(zhuǎn)換到影像坐標系，再通過解剖圖譜配準將影像坐標系轉(zhuǎn)換到標準解剖坐標系，進而獲取標準解剖坐標系下的動態(tài)功能代謝圖譜；以標準解剖坐標系的原點作為基準點，對多尺度語義特征圖譜進行坐標轉(zhuǎn)換，獲取特征圖譜的空間位置參數(shù)；

24、通過空間位置參數(shù)將多尺度語義特征圖譜映射到標準解剖坐標系中，進而獲取標準解剖坐標系下的多尺度語義特征圖譜；在標準解剖坐標系中，將動態(tài)功能代謝圖譜和多尺度語義特征圖譜進行空間網(wǎng)格對齊，建立靜態(tài)結(jié)構(gòu)與動態(tài)功能的空間關(guān)聯(lián)；將動態(tài)功能代謝圖譜的時間戳設(shè)置為基準時間，多尺度語義特征圖譜的時間戳設(shè)置為同步時間，通過時間插值算法進行時間校準，建立靜態(tài)結(jié)構(gòu)與動態(tài)功能的時間關(guān)聯(lián)。

25、優(yōu)選的，所述通過門控循環(huán)單元融合動態(tài)功能代謝圖譜和多尺度語義特征圖譜的方法包括：

26、根據(jù)標準解剖坐標系下的動態(tài)功能代謝圖譜和多尺度語義特征圖譜，構(gòu)建時序特征序列，采用基于雙向門控循環(huán)單元的深度學習結(jié)構(gòu)搭建時序融合網(wǎng)絡(luò)，對標準解剖坐標系下的動態(tài)功能代謝圖譜和多尺度語義特征圖譜進行融合；時序融合網(wǎng)絡(luò)包括輸入層、特征對齊層、門控循環(huán)層、特征交互層和輸出層；將時序特征序列作為時序融合網(wǎng)絡(luò)輸入層的輸入，通過輸出層生成病變風險概率。

27、優(yōu)選的，所述構(gòu)建時序特征序列的方法包括：

28、將標準解剖坐標系下的動態(tài)功能代謝圖譜中的每個時間幀作為一個功能特征向量，提取每個功能特征向量的動態(tài)變化參數(shù)作為時序功能特征；將標準解剖坐標系下的多尺度語義特征圖譜的每個尺度層作為一個結(jié)構(gòu)特征向量，提取每個結(jié)構(gòu)特征向量的空間分布參數(shù)作為多尺度結(jié)構(gòu)特征；收集所有時序功能特征和多尺度結(jié)構(gòu)特征，獲取特征集合；

29、遍歷所有時序功能特征，計算相鄰時間幀特征向量的余弦相似度；預(yù)設(shè)時間相似度閾值，若相鄰時間幀特征向量的余弦相似度小于預(yù)設(shè)時間相似度閾值，則在對應(yīng)兩個時間幀之間添加一個過渡特征向量；若相鄰時間幀特征向量的余弦相似度大于等于預(yù)設(shè)時間相似度閾值，則不添加；

30、遍歷所有多尺度結(jié)構(gòu)特征，計算不同尺度層特征向量的歐氏距離；預(yù)設(shè)尺度距離閾值，若不同尺度層特征向量的歐氏距離小于預(yù)設(shè)尺度距離閾值，則在對應(yīng)兩個尺度層之間添加一個融合特征向量；若不同尺度層特征向量的歐氏距離大于等于預(yù)設(shè)尺度距離閾值，則不添加；通過時序?qū)R算法，將時序功能特征和多尺度結(jié)構(gòu)特征按時間順序排列，添加特征間的關(guān)聯(lián)權(quán)重，獲取序列集合；基于獲取的特征集合和序列集合構(gòu)建時序特征序列。

31、優(yōu)選的，所述基于強化學習算法將病變風險概率轉(zhuǎn)化為臨床預(yù)測結(jié)果的方法包括：

32、將人體器官劃分為多個功能子區(qū)域，每個子區(qū)域記錄當前的病變風險概率和臨床關(guān)聯(lián)權(quán)重；同時列出所有可能的臨床預(yù)測指標，臨床預(yù)測指標包括每個指標的正常參考范圍、臨床意義等級和歷史預(yù)測準確率；

33、建立三個預(yù)測目標，預(yù)測目標包括病變定位目標、進展趨勢目標和干預(yù)建議目標；設(shè)置兩類約束條件，約束條件包括醫(yī)學倫理約束和數(shù)據(jù)可靠性約束；

34、使用強化學習算法，隨機產(chǎn)生n組臨床預(yù)測指標組合方案，對每個方案評估三個預(yù)測目標的達成情況，得到三個預(yù)測目標的達成情況評分，并對三個預(yù)測目標的達成情況評分進行加權(quán)計算，得到綜合預(yù)測分數(shù)，從n組方案中挑選綜合預(yù)測分數(shù)最高的一個方案作為最終預(yù)測方案；將選定的最終預(yù)測方案轉(zhuǎn)化為臨床可用的預(yù)測結(jié)果；臨床預(yù)測結(jié)果包括病變位置結(jié)果、風險等級結(jié)果和隨訪建議結(jié)果；

35、三個預(yù)測目標的達成情況評分的獲取方法包括：

36、通過對比預(yù)測病變區(qū)域與實際病變區(qū)域的重疊度，作為病變定位目標的達成情況評分；通過計算預(yù)測進展速度與臨床隨訪數(shù)據(jù)的偏差率，作為進展趨勢目標的達成情況評分；通過統(tǒng)計干預(yù)建議被臨床采納的比例，作為干預(yù)建議目標的達成情況評分。

37、優(yōu)選的，所述生成模型預(yù)測效能指數(shù)的方法包括：

38、采集終端設(shè)備反饋的臨床應(yīng)用數(shù)據(jù)，同步評估預(yù)測結(jié)果的臨床符合度，計算臨床符合度與預(yù)設(shè)符合度閾值的偏差，生成0-1標準化模型預(yù)測效能指數(shù)e；預(yù)設(shè)標準化模型預(yù)測效能指數(shù)第一閾值e1和標準化模型預(yù)測效能指數(shù)第二閾值e2；若e>e2，則判斷預(yù)測模型有效；若e1<e<e2，則判斷預(yù)測模型需參數(shù)優(yōu)化；若e<e1，則預(yù)測模型無效，重新訓練核醫(yī)學影像預(yù)測模型，并立即觸發(fā)模型更新機制。

39、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

40、本系統(tǒng)通過多模態(tài)時序采樣機制獲取核醫(yī)學影像數(shù)據(jù)，并應(yīng)用自適應(yīng)降噪網(wǎng)絡(luò)生成動態(tài)功能代謝圖譜，同時結(jié)合三維卷積模塊與空洞卷積技術(shù)捕獲影像深層特征，有效解決了傳統(tǒng)影像分析中單一模態(tài)數(shù)據(jù)信息不全面、特征提取深度不足的問題。動態(tài)功能代謝圖譜能夠?qū)崟r反映組織器官的代謝變化過程，而多尺度語義特征圖譜則涵蓋了不同層次的結(jié)構(gòu)特征，二者的結(jié)合使得系統(tǒng)對病變的識別更加全面，減少了因信息缺失導(dǎo)致的誤判。

41、跨模態(tài)時序融合層建立靜態(tài)結(jié)構(gòu)與動態(tài)功能的時空關(guān)聯(lián)，采用注意力機制同步特征權(quán)重，并通過門控循環(huán)單元實現(xiàn)動態(tài)與靜態(tài)特征的深度融合，克服了現(xiàn)有技術(shù)中靜態(tài)與動態(tài)特征分離處理、關(guān)聯(lián)建模不足的缺陷。注意力機制能夠自動聚焦于對病變預(yù)測更關(guān)鍵的特征區(qū)域，提升了特征融合的針對性；門控循環(huán)單元則有效捕捉了動態(tài)數(shù)據(jù)的時序依賴關(guān)系，使得融合后的特征能夠更準確地反映病變的發(fā)展趨勢，從而提高了病變風險概率計算的精準度。

42、智能預(yù)測決策層基于強化學習算法將病變風險概率轉(zhuǎn)化為臨床預(yù)測結(jié)果，并通過標準化接口輸出至終端設(shè)備，改變了傳統(tǒng)系統(tǒng)輸出結(jié)果與臨床需求契合度低的現(xiàn)狀。強化學習算法能夠模擬臨床決策過程，使輸出結(jié)果更符合醫(yī)師的診斷邏輯；標準化接口則確保了結(jié)果的快速傳輸與直接應(yīng)用，減少了醫(yī)師的二次處理工作，提升了臨床診斷的效率。

43、動態(tài)反饋優(yōu)化層通過實時跟蹤臨床預(yù)測結(jié)果的應(yīng)用情況，計算實際效果與預(yù)設(shè)閾值的偏差，生成模型預(yù)測效能指數(shù)并動態(tài)優(yōu)化模型，解決了現(xiàn)有模型缺乏自適應(yīng)調(diào)整機制、預(yù)測效能難以持續(xù)提升的問題。該機制使得系統(tǒng)能夠根據(jù)實際臨床數(shù)據(jù)不斷調(diào)整模型參數(shù)，適應(yīng)不同患者群體的特征差異和疾病表現(xiàn)變化，確保模型在長期使用過程中保持穩(wěn)定的預(yù)測效能，避免了因模型固化導(dǎo)致的效能下降。

44、系統(tǒng)各層級之間的協(xié)同工作形成了一個閉環(huán)的智能處理流程，從數(shù)據(jù)采集、特征提取、融合分析到預(yù)測輸出、模型優(yōu)化，每個環(huán)節(jié)都針對現(xiàn)有技術(shù)的短板進行了改進。動態(tài)功能與靜態(tài)結(jié)構(gòu)的時空關(guān)聯(lián)建模提升了病變識別的準確性，注意力機制與門控循環(huán)單元的結(jié)合增強了特征融合的有效性，強化學習算法的應(yīng)用提高了臨床預(yù)測結(jié)果的實用性，而動態(tài)反饋優(yōu)化則保證了系統(tǒng)的長期穩(wěn)定性。這些改進共同作用，使得系統(tǒng)在臨床應(yīng)用中能夠更精準地識別病變、更高效地輔助診斷決策，并隨著應(yīng)用深入不斷提升性能，滿足了核醫(yī)學影像分析在準確性、效率和適應(yīng)性方面的更高需求。