基于KAN增强多时相扩散的医学影像生成方法及系统与流程

本发明属于医学影像生成，尤其涉及基于kan增强多时相扩散的医学影像生成方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、医学影像在疾病诊断、疗效评估、放射治疗计划制定、治疗过程监测及自适应治疗决策中具有重要作用。临床常用的ct、mri、cbct、pet、spect、超声及四维ct等影像模态，能够从不同角度反映人体组织的解剖结构、密度分布、功能代谢或运动变化。然而，受扫描成本、采集时间、辐射剂量、设备差异、患者运动、呼吸伪影及模态缺失等因素影响，临床实际获取的医学影像常存在分辨率不足、噪声较大、时相不完整、模态信息缺失、结构边界模糊或空间配准误差等问题，严重限制了其在精准诊疗中的进一步应用。

3、近年来，基于深度学习的医学影像生成技术被广泛应用于跨模态影像合成、图像质量增强、功能影像生成、治疗过程影像预测及放疗辅助决策等任务，主要包括卷积神经网络、生成对抗网络和扩散模型等方法。尽管取得了一定进展，现有方法仍存在以下不足：第一，传统特征融合策略多采用简单拼接、加权求和或多层感知机，难以充分建模多时相、多模态医学影像之间复杂的非线性关系；第二，多数方法对时间维度或相位变化的建模能力有限，难以准确捕捉器官运动、治疗过程中的解剖变化或功能状态改变所导致的动态影像特征；第三，现有生成模型主要依赖图像域重建损失，缺乏对器官、血管、病灶、靶区或危及器官等解剖结构先验的显式约束，导致生成影像容易出现结构不连续、边界模糊、局部伪影或解剖合理性不足等问题。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于kan增强多时相扩散的医学影像生成方法及系统，旨在通过kan的非线性表征能力增强多时相特征融合，并以结构先验显式约束生成过程的空间一致性，以此提升生成图像的空间一致性、解剖合理性、临床可解释性及生理真实性。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、第一方面，公开了基于kan增强多时相扩散的医学影像生成方法，包括：获取多时相医学影像和与目标医学影像生成任务相关的结构先验信息；利用共享三维卷积编码器对各时相影像独立编码，得到时相特异性潜特征；

4、通过kan多模态时间条件器和kan时间聚合模块，生成条件引导信息；通过结构引导一致性模块对结构先验信息进行编码，生成结构引导特征；

5、将条件引导信息与结构引导特征输入多时相扩散骨干网络，在潜空间中执行条件引导的前向加噪与反向去噪，逐步重构目标医学影像潜特征；通过预训练vae解码器将潜特征解码，生成目标医学影像；

6、通过混合损失函数对各模块进行联合训练，获得生成模型。

7、进一步的，多时相医学影像包括同一受试对象在不同时间点、不同扫描相位或不同生理状态下获得的医学影像；所述目标医学影像包括结构医学影像、功能医学影像、增强医学影像、治疗过程医学影像和剂量相关医学影像。

8、进一步的，所述结构先验信息包括器官掩码、结构先验掩码、病灶掩码、靶区掩码、危及器官掩码、组织边界或解剖轮廓中的一种或多种。

9、进一步的，所述kan时间聚合模块通过kan层的b样条基函数展开对多时相或多模态潜特征进行非线性融合，融合公式为：

10、

11、其中，为每个相位在特定体素位置的置信度权重，为b样条基函数扩展，为第相位特征在体素处的特征向量。

12、进一步的，所述结构引导一致性模块利用轻量级三维结构编码器提取结构先验掩码的全局拓扑特征与空间分布特征，生成结构潜嵌入；通过层归一化消除样本间特征分布差异；再经线性投影映射至与时间条件嵌入相同的维度，生成结构条件向量。

13、进一步的，多时相扩散骨干网络在潜空间中执行前向扩散过程，过程公式为：

14、;

15、其中，为噪声方差调度参数，为当前潜向量，为t时刻的噪声潜变量，表示第t个时间步所加入高斯噪声的协方差矩阵。

16、进一步的，所述多时相扩散骨干网络在反向去噪过程中，将时间条件嵌入向量和结构引导特征作为条件信息输入去噪网络，通过交叉注意力、特征拼接或特征调制方式引导噪声预测和目标医学影像潜特征重构。

17、第二方面，公开了基于kan增强多时相扩散的医学影像生成系统，包括：

18、数据获取模块，用于获取同一受试对象的多时相医学影像，以及与目标医学影像生成任务相关的结构先验信息；

19、共享特征提取模块，用于利用共享三维卷积编码器对各时相影像进行独立编码，得到时相特异性潜特征；

20、kan增强条件生成模块，包括kan多模态时间条件器和kan时间聚合模块，用于对所述时相特异性潜特征进行非线性融合与时序建模，生成条件引导信息；

21、结构引导一致性模块，用于对所述结构先验信息进行编码与特征调制，生成结构引导特征；

22、多时相扩散骨干网络，用于接收所述条件引导信息与所述结构引导特征，在潜空间中执行条件引导的前向加噪与反向去噪过程，逐步重构目标医学影像的潜特征表示；通过预训练vae解码器将所述潜特征表示解码，生成目标医学影像；

23、训练模块，用于通过混合损失函数对所述kan增强条件生成模块、结构引导一致性模块和多时相扩散骨干网络进行联合训练，获得训练好的医学影像生成模型。

24、第三方面，公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述方法中的步骤。

25、第四方面，公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述方法中的步骤。

26、以上一个或多个技术方案存在以下有益效果：

27、本发明通过kan多模态时间条件器和kan时间聚合模块，利用kan的可学习b样条基函数对多时相、多模态潜特征进行非线性融合与时序建模，相较于传统简单拼接、加权求和或多层感知机融合方式，能够更准确地捕捉多时相医学影像之间复杂的非线性依赖关系和连续变化趋势，有效缓解呼吸运动等生理运动带来的相位失准和运动伪影问题，显著提升生成影像的解剖准确性与动态一致性。

28、本发明通过结构引导一致性模块将器官掩码、血管掩码、病灶掩码或危及器官掩码等结构先验信息显式编码为结构引导特征，并与时间条件嵌入进行通道级融合后作为硬约束注入扩散模型的去噪过程，有效弥补了现有方法缺乏解剖结构显式约束的不足，确保生成的目标医学影像在功能分布上与真实解剖结构保持空间一致，避免了结构不连续、边界模糊及无解剖意义伪影的产生，提高了生成影像的空间一致性和解剖合理性。

29、本发明通过多时相扩散骨干网络在潜空间中执行条件引导的前向加噪与反向去噪过程，并结合包含体素级重建损失和梯度保持损失的混合损失函数进行联合优化，在保证生成影像体素级定量精度的同时，有效保留了血管壁、组织边界等高频结构细节，避免生成结果过度平滑，最终输出兼具定量准确性、结构清晰度和生理真实性的目标医学影像，为临床精准诊疗提供可靠的影像依据。

30、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。