动态PET肝脏药代动力学参数图像生成方法、系统及存储介质与流程

本发明属于医学影像定量分析与分子影像动力学建模，涉及动态正电子发射断层成像（dynamic pet, dpet）在肝脏疾病诊断中的应用，具体涉及一种基于双输入四房室动力学模型约束的动态pet肝脏药代动力学参数图像生成方法、系统及存储介质，并进一步涉及一种能够无需显式输入函数、同时具备不确定性估计能力的体素级参数生成技术，适用于肝细胞癌等肝脏疾病的无创定量诊断及疗效评估。

背景技术：

1、肝细胞癌（hcc）是目前全球发病率和死亡率均较高的恶性肿瘤，其早期筛查、分期与疗效评价对临床管理具有重要价值。动态正电子发射断层成像（dynamic pet, dpet）通过对组织内放射性示踪剂随时间变化的吸收与代谢行为进行监测，结合药代动力学模型，可从分子水平评估葡萄糖代谢、灌注以及细胞学过程，是一种具有重要潜力的无创定量成像手段。

2、肝脏具有独特的肝动脉与门静脉双重血供结构，其葡萄糖代谢动力学与其他器官显著不同。传统单输入三房室模型难以准确反映肝脏中fdg的分布、运输与磷酸化–去磷酸化过程，因此临床研究中更倾向采用双输入四房室模型以描述自由fdg、磷酸化fdg以及代谢产物之间的动态演化。然而，该模型参数众多、耦合关系复杂，对输入函数（aif/pif）依赖强，使得参数估计稳定性与临床可操作性均受到限制。

3、目前主流的动力学参数求解方法仍依赖非线性最小二乘拟合。此类方法虽然理论明确，但高度依赖初始参数设置，对对噪声敏感，且易陷入局部最优，难以在全肝体素级生成连续且可信的参数图像。部分研究尝试引入贝叶斯推断以增强稳定性并提供不确定性量化，但计算开销巨大，通常只能在roi区域级别应用，无法满足临床对“全肝参数图像快速生成”的需求。

4、近年来，深度学习方法开始被用于pet定量分析，但已有方案多基于简化模型（如patlak）或利用拟合生成的伪真值进行监督训练。由于训练目标与完整的肝脏代谢机制并不一致，这类方法难以准确捕获双输入非线性动力学特征；另一方面，依赖噪声污染的伪真值会将偏差进一步传递至网络，降低模型的可解释性和临床可信度。部分方法虽然可生成动力学参数，但仍需提前提取动脉或门静脉输入函数，而该步骤本身受血管结构、运动伪影与图像分辨率影响，稳定性不足，在现有动态pet工作流程中难以大规模临床化。

5、此外，现有专利文献（例如基于输入函数估计、基于线性/概率模型的参数成像方法、基于聚类或拟合优化的动力学图像重建技术等）大多仍依赖显式输入函数，或仅适用于单输入情形，亦未解决肝脏双血供结构下的参数耦合困难问题。在连续体素级参数图像生成、不确定性建模、自监督学习框架以及无需aif/pif的动力学一致性约束方面，仍缺乏有效技术手段。

6、因此，如何在无需显式输入函数的条件下，实现双输入四房室动力学一致性建模，并能够生成具有空间连续性、体素级可信度和不确定性量化能力的全肝动力学参数图像，成为推动动态pet在肝脏疾病诊断中真正实现临床落地的关键科学问题，也是现有技术尚未解决的重要技术瓶颈。

技术实现思路

1、本发明解决的核心技术问题是：在无需显式提取动脉输入函数（aif）和门静脉输入函数（pif）的条件下，如何基于动态pet时序数据稳定、快速地生成符合肝脏双输入四房室代谢机制的体素级药代动力学参数图像，并同时获得参数估计的不确定性，以满足肝脏疾病无创定量诊断对空间连续性、生理合理性和结果可信度的要求。

2、本发明的技术方案为：

3、一种基于动力学一致性建模的动态pet肝脏药代动力学参数图像生成方法，包括：

4、step1、获取受检对象肝脏动态pet图像序列，并对各时间帧进行归一化处理，以构建每个体素的时间–放射性浓度测量曲线；

5、step2、构建深度学习physionet-4c网络，其中网络的输入为整段动态pet图像序列，并通过网络输出肝脏双输入四房室动力学模型的八个动力学参数，包括，其中表示血液到细胞外间隙的fdg（氟代脱氧葡萄糖）转运速率常数，是fdg回流速率常数，为fdg的磷酸化速率，是去磷酸化速率，和分别表示深部代谢池的进出速率常数，表示肝动脉输入的比例贡献，是组织血容量分数。同时，网络为每个参数输出一个与其估计不确定性相关的方差。

6、step3、为了保证参数估计过程与肝脏双血供动力学机制的一致性，本发明使用四房室动力学模型对网络输出的参数进行时序重建。该模型由以下房室微分方程描述：

7、   （1）

8、其中为游离fdg浓度，为磷酸化fdg浓度，为深部代谢池浓度。组织总放射性浓度由给出。混合输入函数的表达式为：

9、    （2）

10、其中为动脉输入函数，为门静脉输入函数。本发明的一个重要特征在于，该模型无需从图像中显式提取上述输入函数，而是通过训练过程使网络隐式学习和推断其影响。不需要手动输入aif/pif极大提升了模型在实际临床环境下的可操作性。当参数均为零时，模型可自动降阶为三房室模型，适用于代谢过程较为简化的情况。

11、step4、为了在无标签条件下实现网络训练，本发明构建了基于动力学重建误差、不确定性建模以及空间平滑约束的自监督损失函数。总损失函数表示为：

12、    （3），

13、其中，，，为平衡各部分贡献的权重。轨迹重建项为，用于度量利用模型重建的时间–放射性曲线与实际测量曲线之间的偏差。不确定性约束项为，引入方差以描述网络输出可信度，并抑制噪声中的极端偏差。空间平滑项为，用于保证邻域体素的参数估计具有空间连续性；其中是第j个动力学参数，为其空间梯度。本发明采用两阶段训练策略：首先仅依据轨迹重建项进行预训练，以获得稳定的动力学建模能力；随后使用完整损失对网络进行微调，使不确定性估计更加可靠。

14、step5、经训练的physionet-4c网络在推理阶段能够直接生成八个动力学参数的体素级参数图像及其对应的不确定性图像。对于不确定性较高的区域（满足，其中为预设阈值），可进一步通过邻域一致性约束进行后处理平滑，使得参数图像更加稳定和易于临床解读。本发明还允许引入额外的成像信息，例如ct图像、suv静态图或肝脏结构分割图，以增强结构约束与组织差异表达能力。

15、进一步地，所述physionet-4c网络包括用于提取时序代谢特征并降低参数量的时空分离卷积结构，以及用于进行多尺度时间建模的多尺度时间特征融合模块，所述多尺度时间特征融合模块由扩张率 的空洞卷积并行构成；所述physionet-4c网络包括双通道输出结构，用于对每个动力学参数同时输出均值与方差，并设置多通道钳位激活multi-clamp以保证参数集合的各个动力学参数处于预设的生理合理区间内。

16、进一步地，所述动力学参数通过多通道钳位激活函数进行生理范围约束，具体包括：的取值范围为0.01~2；的取值范围为0.01~3；的取值范围为0.001~1；的取值范围为0~1。

17、进一步地，所述physionet-4c网络的训练采用两阶段策略，其中第一阶段使用轨迹重建损失所述轨迹重建损失对网络进行预训练，以获得稳定的动力学时间建模能力；第二阶段在此基础上引入包含负对数似然项与空间平滑项在内的完整损失函数对网络进行微调，以提升参数估计的稳健性与不确定性建模能力。

18、进一步地，对于由physionet-4c网络输出的不确定性超过预设阈值的参数区域，执行基于邻域一致性约束的后处理平滑操作，以抑制高噪声体素造成的局部不稳定性，从而提升生成的药代动力学参数图像的空间连续性与临床可读性。

19、进一步地，所述physionet-4c网络的主干网络为swin-unetr、transformer-unet或temporal unet中的至少一种结构，或其任意组合的改进版本，其中所述网络采用基于时间序列特征建模的注意力机制与跨尺度特征融合策略，以增强对动态pet时序信号的表征能力。

20、进一步地，本发明的方法允许将ct图像、suv静态图或肝脏分割图作为辅助输入通道，以增强结构约束与区域特征表达能力；本发明的方法能够生成肝细胞癌病灶区域的药代动力学参数区分图，并用于肿瘤的定量诊断、分型或疗效评估；本发明的方法适用于其它双血供结构的脏器的fdg动力学建模与参数图像生成。

21、本发明还提供一种用于执行上述方法的动态pet药代动力学参数图像生成系统，系统包括动态pet输入模块、physionet-4c网络参数估计模块、不确定性估计模块，以及参数图像输出模块：

22、动态pet输入模块，用于接收并读取受检对象的动态pet图像序列，对输入的多帧pet 数据进行格式解析、时间帧整理与归一化处理，输出可供后续网络分析的时间序列pet数据；

23、physionet-4c参数估计模块，用于执行基于肝脏双输入四房室动力学模型的一致性参数推断，该模块内部部署深度学习physionet-4c网络，对动态pet时序数据进行时空特征建模，并生成八个动力学参数的体素级估计结果；

24、不确定性估计模块，用于根据网络输出的概率分支生成各动力学参数对应的方差图像，反映参数推断的可信程度，并对高不确定性区域执行邻域平滑处理，以改善图像的稳定性与可读；

25、参数图像输出模块，用于将参数估计结果与不确定性图像整合为标准化输出，可根据需要转换为医学影像格式、进行伪彩色映射或叠加结构信息，并提供用于临床分析的最终动力学参数图像。

26、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明所述的动态pet肝脏药代动力学参数图像生成方法的步骤。

27、本发明的有益效果包括：

28、本发明通过将双输入四房室动力学模型显式嵌入深度学习框架，实现了一种无需提取动脉输入函数（aif）和门静脉输入函数（pif）即可在体素级生成肝脏药代动力学参数图像的全新方式。网络在训练过程中完全依赖动力学一致性约束进行自监督优化，不需要借助传统非线性拟合生成的伪真值标签，从而显著避免了噪声累积和参数偏置问题，使得生成的动力学参数图像在空间连续性、生理合理性及代谢过程刻画能力方面均优于现有方法。由于无需显式输入函数，本发明大幅降低了肝脏血管提取不稳定、扫描伪影和重建噪声对参数估计的影响，提高了方法在临床场景中的可用性和鲁棒性。

29、本发明采用时空分离卷积stsc与多尺度时间特征融合mtff结构，使网络能够充分捕获动态pet序列中的代谢时间变化规律，并在此基础上实现快速而稳定的全肝体素级推理。与贝叶斯推断和非线性最小二乘拟合相比，本发明在计算效率上具有显著优势，能够在临床可接受的时间范围内完成整肝动力学参数图像生成。此外，网络同时输出每个参数对应的不确定性图像，为参数估计结果提供了可量化的可靠性指标，有助于医师在临床诊断、疑难病例判断和疗效监测中识别关键区域。

30、生成的动力学参数图像能够区分肝细胞癌病灶与背景肝组织，并支持治疗前后的量化比较，从而有助于开展个体化、动态化的临床定量评估。本发明具有良好的泛化能力和扩展性，在不改变核心框架的前提下，可推广至其他具有双重血供或多灌注代谢特征的脏器动态pet成像研究，为推进动态pet参数成像技术的规范化和临床普及提供了新的解决方案。