一种核医学检测假阳性或假阴性判断的方法、介质及系统与流程

1.本发明属于核医学检测技术领域，具体而言，涉及一种核医学检测假阳性或假阴性判断的方法、介质及系统。


背景技术：

2.核医学检测技术是一种利用放射性核素对生物体进行研究的方法，通过对放射性物质在生物体内的分布、代谢和排泄等过程进行观察和测量，从而对生物体进行诊断和治疗。核医学检测技术在肿瘤、心血管、神经系统等疾病的诊断和治疗中发挥着重要作用。然而，在核医学检测过程中，放射性分布往往存在不均匀现象，导致医学图像诊断的准确性受到影响，不少情况下会产生假阳性或假阴性的情况；核医学图像假阳性或假阴性的原因如下：
3.假阳性：
4.a.高放射性背景：由于非目标组织的放射性摄取较高，可能导致图像上出现假阳性。
5.b.伪影：由于设备、运动伪影或重建算法等原因，可能在图像上产生不属于病变的亮点，导致假阳性结果。
6.c.生理性摄取：某些正常组织(如肝脏、肾脏、肠道)可能出现较高的放射性摄取，导致与病变区域的信号重叠，从而产生假阳性。
7.d.污染：由于操作不当或设备故障，可能导致放射性药物在非目标区域沉积，形成假阳性。
8.假阴性：
9.a.低放射性背景：由于目标区域放射性摄取较低，可能导致图像上出现假阴性。
10.b.体积效应：当病变较小，低于设备分辨率时，可能导致图像上无法显示病变，产生假阴性结果。
11.c.高背景摄取：周围正常组织的放射性摄取较高，可能掩盖病变区域的信号，导致假阴性。
12.d.药物代谢：由于病人个体差异或药物代谢异常，可能导致放射性药物在病变区域摄取不足，从而产生假阴性。
13.另外，阅片医师的熟练度引起的假阳性或假阴性的判断误差也会很大。
14.当前根据诊断药的聚集部位来推定肿瘤的位置，但由阅片医师的熟练度引起的判断差异大，可能产生假阴性及假阳性。例如，在疑似肺恶性肿瘤的情况下，报告了18.4％为假阴性、4.35％为假阳性。另外，在口腔咽头扁平上皮癌的化学放射线疗法后残留、疑似复发的情况下，报告了59.2％为假阳性。假阳性和假阴性的核医学检测结果，会导致核诊断不准确，影响治疗。


技术实现要素：

15.有鉴于此，本发明提供一种核医学检测假阳性或假阴性判断的方法、介质及系统，能够解决当前对核医学检测结果的假阳性或假阴性的概率缺乏分析的技术问题。
16.本发明是这样实现的：
17.本发明的第一方面提供一种核医学检测假阳性或假阴性判断的方法，其中，包含以下步骤：
18.s10、收集患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像，其中，所述第一检测图像由按照时间顺序的多个帧组成；
19.s20、对收集到的第一检测图像进行预处理得到第二检测图像，以消除噪声和伪影；
20.s30、将预处理后的第二检测图像进行放射性分布的重建和校正，得到第三检测图像；
21.s40、采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并输出给医护人员。
22.由于核医学的检测图像往往是一段时间，图像随着时间而变化，因此，可以将连续的图像帧集合为第一检测图像。所述其他检测方式包括ct、mri等。
23.在上述技术方案的基础上，本发明的一种核医学检测假阳性或假阴性判断的方法还可以做如下改进:
24.其中，所述采用对比图像和第三检测图像进行对比分析，识别出假阳性和假阴性结果的步骤，具体包括：
25.s41、利用预先训练好的迁移模型对所述对比图像进行处理，得到迁移图像；
26.s42、将所述迁移图像与所述第一检测图像的每一帧进行相似度匹配，将相似度最高的帧作为关键帧；
27.s43、获取所述关键帧对应的时刻t1；
28.s44、根据具体检测项目和病人病情建立代谢-衰变曲线；
29.s45、对所述时刻t1在所述代谢-衰变曲线上的位置以及假阳性阈值和假阴性阈值来判断所述关键帧假阳性或假阴性的概率。
30.采用上述改进方案的有益效果为：由于其他检测方式得到的对比图像在表征患者的器官的解剖结构、病灶等方面与核医学检测图像区别很大，因此需要首先训练一个迁移模型对对比图像进行处理，得到迁移图像，这个迁移图像是使用历史对比图像和核医学检测历史图像微调得来的，可以在下一步进行相似度匹配使用。
31.进一步的，所述迁移模型的训练步骤为：
32.采用resnet作为预训练模型；
33.建立微调数据库、包括多个历史其他检测方式得到的历史对比图像以及对应同一患者同一时间段相同检测部位的核医学检测历史图像；
34.症状帧选择、获取每一个核医学检测历史图像包含的多个帧中最能表现患者症状的帧作为症状帧；
35.图像对齐、将历史对比图像与症状帧进行对齐；
36.将所述预训练模型的最后一个全连接层替换为一个新的全连接层，所述新的全连
接层的输出为症状帧；
37.利用所述微调数据库对替换了新的全连接层的预训练模型进行微调，得到迁移模型。
38.进一步的，所述将所述迁移图像与所述第一检测图像的每一帧进行相似度匹配采用的是结构相似度指数方法。
39.进一步的，所述根据具体检测项目和病人病情建立代谢-衰变曲线的步骤，具体包括：
40.建立代谢曲线；
41.根据患者的症状，对代谢曲线进行修正，重点考虑不同的症状引发的不同器官的代谢变化；
42.建立衰变曲线；
43.将修正后的代谢曲线和衰变曲线进行符合，得到复合曲线；
44.获取患者生理数据，包括年龄、性别、体重、体脂、代谢指数以及放射数据，包括放射性物质在体内的浓度随时间变化的数据；
45.将获取的患者生理数据代入到复合曲线中，对曲线进行求解，并生成代谢-衰变曲线。
46.进一步的，所述采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率的步骤中，还包括对得到的假阳性或假阴性的概率进行修正的步骤，具体是：
47.输入患者的生理数据和药动学参数到生理基础药动学模型，得到放射性药物在体内的动态分布情况；
48.计算放射性药物在体内的动态分布情况与所述第三检测图像的图像差异，计算它们之间的差异；
49.根据所述图像差异的大小，修正假阳性或假阴性的概率。
50.其中，所述其他检测方式至少包括ct、mri。
51.本发明的第二方面提供一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行上述的核医学检测假阳性或假阴性判断的方法。
52.本发明的第三方面提供一种核医学检测假阳性或假阴性判断的系统，其中，包含上述的计算机可读存储介质。
53.与现有技术相比较，本发明提供的一种核医学检测假阳性或假阴性判断的方法、介质及系统的有益效果是：本发明主要解决了现有的核医学检测方法中，对于假阳性或假阴性结果的判断存在的问题，提供了一种更加准确、高效的核医学检测假阳性或假阴性判断的方法、介质及系统。
54.具体来看，首先，本发明的s10步骤收集了患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像。这里，第一检测图像是由按照时间顺序的多个帧组成的，这样可以更好地反映放射性物质在体内的分布和变化。同时，其他检测方式的对比图像可以为后续的分析提供更多的参考信息。
55.其次，本发明的s20步骤对收集到的第一检测图像进行了预处理，得到了第二检测图像。预处理过程主要是为了消除噪声和伪影，使得图像更加清晰，这样有利于提高后续步
骤的准确性。
56.然后，本发明的s30步骤将预处理后的第二检测图像进行了放射性分布的重建和校正，得到了第三检测图像。这一步骤是为了更准确地得到放射性物质在体内的分布，以便更准确地判断是否存在假阳性或假阴性的结果。
57.接着，本发明的s40步骤采用了对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并将结果输出给医护人员。这一步骤是本发明的核心步骤，医护人员根据假阳性或假阴性概率，通过对比分析，可以判断出检测结果是否存在假阳性或假阴性的可能性，从而提供更准确的检测结果。
58.最后，本发明的s50步骤利用细胞自动机模型对得到的假阳性或假阴性的概率进行了修正，输出了核医学检测结果的假阳性或假阴性的概率。这一步骤是为了进一步提高检测结果的准确性，通过模型的修正，可以更准确地判断出假阳性或假阴性的概率。
附图说明
59.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
60.图1为本发明提供的一种核医学检测假阳性或假阴性判断的方法的流程图；
61.图2为步骤s40的具体流程图。
具体实施方式
62.本文中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
63.如图1所示，是本发明第一方面提供一种核医学检测假阳性或假阴性判断的方法的流程图，本方法包含以下步骤：
64.s10、收集患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像，其中，第一检测图像由按照时间顺序的多个帧组成；
65.s20、对收集到的第一检测图像进行预处理得到第二检测图像，以消除噪声和伪影；
66.s30、将预处理后的第二检测图像进行放射性分布的重建和校正，得到第三检测图像；
67.s40、采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并输出给医护人员。
68.步骤s10的具体实施方式如下：
69.首先，选择适当的核医学检测设备，如正电子发射断层扫描(pet)设备或单光子发射计算机断层扫描(spect)设备等，根据患者的具体病情和检查需求，确定使用的放射性药物，比如用于肺部检查的气体放射性药物，或者用于脑部检查的固态放射性药物等。
70.然后，将放射性药物注入患者体内，等待一段时间让药物在体内分布，这个等待的时间根据药物的种类和需要检查的部位有所不同。在药物分布到位后，利用核医学检测设备对患者体内的放射性分布进行扫描。
71.接着，将扫描得到的数据进行处理，得到患者体内放射性分布的第一检测图像。这个图像可以反映出药物在体内的分布情况，从而可以看出可能的病变位置。
72.同时，也需要收集其他检测方式获得的对比图像，如ct、mri等。这些对比图像可以为核医学检测提供更全面的信息，有助于更准确地分析和诊断。
73.最后，保持原始数据的完整性和可追溯性，将收集到的第一检测图像和对比图像进行存储，以备后续处理和分析。
74.在步骤s20中，对收集到的第一检测图像进行预处理，以消除噪声和伪影。
75.首先，需要进行噪声消除。噪声是由于检测设备的不完美和环境因素导致的图像中的随机变化，它会降低图像的质量和可读性。在核医学检测中，噪声主要来源于放射性物质的随机衰变和检测设备的电子噪声。噪声消除的方法有许多，如空间域滤波、频域滤波和基于统计的方法。在本发明中，采用基于统计的方法，因为它能够考虑到噪声的随机性和图像的局部特性。
76.然后，需要进行伪影消除。伪影是由于检测设备的不完美和检测过程中的误差导致的图像中的非物理性的结构，如环形伪影、杯状伪影和星状伪影。伪影消除的方法有许多，如基于几何矫正的方法、基于统计的方法和基于学习的方法。在本发明中，采用基于几何矫正的方法，因为它能够考虑到检测设备的几何结构和检测过程的物理规律。
77.具体来说，首先根据检测设备的几何结构和检测过程的物理规律，建立一个正向模型，描述如何从物体的放射性分布得到检测图像。然后，根据正向模型，建立一个反向模型，描述如何从检测图像得到物体的放射性分布。最后，采用反向模型，对检测图像进行矫正，得到矫正后的图像。
78.在步骤s30中，预处理后的第二检测图像将进行放射性分布的重建和校正，得到第三检测图像。这个过程主要包括两个子步骤：放射性分布的重建和放射性分布的校正。
79.首先，进行放射性分布的重建，采用的是迭代重建算法。迭代重建算法是一种以最大似然为目标函数的优化方法，通过不断迭代，使得重建图像的似然函数值最大。
80.设原始图像为f(x,y)，经过投影变换后得到的图像为g(u,v)，则投影变换可以表示为：
81.g(u,v)＝∫∫f(x,y)h(u-x,v-y)dxdy，
82.其中h(u,v)为投影变换函数。
83.的目标是通过g(u,v)反推出f(x,y)，即求解上述积分方程。由于这是一个病态问题，直接求解会受到噪声的严重影响。因此采用迭代方法进行求解。
84.设第k次迭代的结果为fk(x,y)，则下一次迭代的结果fk
+1
(x,y)可以通过以下公式进行更新：
85.f
k+1
(x,y)＝fk(x,y)+α(g(u,v)-∫∫fk(x,y)h(u-x,v-y)dxdy)，
86.其中α为步长参数，可以通过线搜索方法进行选择。
87.然后，进行放射性分布的校正。由于检测设备的非理想性，得到的放射性分布图像可能存在偏差。因此需要进行校正。
88.设真实的放射性分布为f(x,y)，检测设备得到的放射性分布为g(x,y)，设备的响应函数为r(x,y)，则有：
89.g(x,y)＝f(x,y)*r(x,y)，
90.其中,上式中的*表示卷积运算。
91.的目标是通过g(x,y)和r(x,y)反推出f(x,y)。这可以通过去卷积运算实现。常用的去卷积方法有维纳滤波等。
92.设维纳滤波器的传递函数为h(u,v)，则有：
[0093][0094]
其中r(u,v)为响应函数的傅里叶变换，r
*
(u,v)为其共轭，snr为信傅里叶变换后的信噪比。
[0095]
然后，通过维纳滤波器对g(x,y)进行滤波，得到f(x,y)的估计值。
[0096]
以上即为步骤s30的具体实施方式。通过迭代重建算法和维纳滤波，可以从预处理后的图像中重建出放射性分布，并对其进行校正，得到更准确的放射性分布图像。
[0097]
如图2所示，采用对比图像和第三检测图像进行对比分析，识别出假阳性和假阴性结果的步骤，具体包括：
[0098]
s41、利用预先训练好的迁移模型对对比图像进行处理，得到迁移图像；
[0099]
s42、将迁移图像与第一检测图像的每一帧进行相似度匹配，将相似度最高的帧作为关键帧；
[0100]
s43、获取关键帧对应的时刻t1；
[0101]
s44、根据具体检测项目和病人病情建立代谢-衰变曲线；
[0102]
s45、对时刻t1在代谢-衰变曲线上的位置以及假阳性阈值和假阴性阈值来判断关键帧假阳性或假阴性的概率。
[0103]
进一步的，在上述技术方案中，迁移模型的训练步骤为：
[0104]
采用resnet作为预训练模型；
[0105]
建立微调数据库、包括多个历史其他检测方式得到的历史对比图像以及对应同一患者同一时间段相同检测部位的核医学检测历史图像；
[0106]
症状帧选择、获取每一个核医学检测历史图像包含的多个帧中最能表现患者症状的帧作为症状帧；
[0107]
图像对齐、将历史对比图像与症状帧进行对齐；
[0108]
将预训练模型的最后一个全连接层替换为一个新的全连接层，新的全连接层的输出为症状帧；
[0109]
利用微调数据库对替换了新的全连接层的预训练模型进行微调，得到迁移模型。
[0110]
具体的，可以描述如下：
[0111]
首先，我们选择深度残差网络(resnet)作为预训练模型。resnet是一种具有深度残差学习框架的卷积神经网络，能够有效地解决深度网络中的梯度消失和梯度爆炸问题，因此非常适合用于图像识别和处理任务。
[0112]
其次，我们建立一个微调数据库。该数据库包含多个历史对比图像和对应的核医
学检测历史图像。这些历史对比图像是通过其他检测方式(如ct、mri等)得到的，而核医学检测历史图像则是同一患者在同一时间段内，对同一检测部位进行核医学检测得到的。这样，我们就可以基于这些历史数据，对预训练模型进行微调，以适应我们的特定任务。
[0113]
接着，我们进行症状帧的选择。对于每一个核医学检测历史图像，我们选择其中最能表现患者症状的帧作为症状帧。选择的方法优选是基于专家的经验和判断，也可以是基于一些自动化的算法，如聚类、主成分分析等。
[0114]
然后，我们进行图像对齐。具体来说，我们将历史对比图像与症状帧进行对齐，使得两者在空间位置上一一对应。这样可以确保我们的模型在处理这两种类型的图像时，能够对应到相同的解剖结构和病灶。
[0115]
接下来，我们替换预训练模型的最后一个全连接层。具体来说，我们将原来的全连接层替换为一个新的全连接层，该全连接层的输出为症状帧。这样，我们的模型在进行前向传播时，最后一层的输出就直接对应到了我们的目标，即症状帧。
[0116]
最后，我们对替换了新的全连接层的预训练模型进行微调。微调的方法可以采用反向传播和随机梯度下降等优化算法，目标函数为预测的症状帧和实际的症状帧之间的差异。通过这样的微调，我们就得到了最终的迁移模型，该模型能够根据输入的对比图像，预测出最可能的症状帧，从而实现我们的任务。
[0117]
进一步的，在上述技术方案中，将迁移图像与第一检测图像的每一帧进行相似度匹配采用的是结构相似度指数方法。
[0118]
在步骤s42中，我们将迁移图像与第一检测图像的每一帧进行相似度匹配，将相似度最高的帧作为关键集。具体实施方式如下：
[0119]
首先，我们需要定义相似度的测量方式。在这个步骤中，我们选择使用结构相似度指数(ssim)作为相似度的测量标准。ssim是一种用于衡量两个图像相似度的指数，它考虑了图像的亮度、对比度和结构三个方面，能够更好地反映人眼对图像质量的主观感知。
[0120]
ssim的计算公式为：
[0121][0122]
其中，x和y是迁移图像和第一检测图像的每一帧，μ
x
和μy是它们的均值，和是它们的方差，σ
xy
是它们的协方差，c1和c2是为了防止分母为零而设定的小常数。
[0123]
然后，我们将迁移图像与第一检测图像的每一帧进行ssim计算，得到每一帧与迁移图像的ssim值。步骤s42具体描述如下：
[0124]
初始化一个空的ssim值列表；
[0125]
对第一检测图像的每一帧，计算它与迁移图像的ssim值，并将结果添加到ssim值列表中；
[0126]
在ssim值列表中找出最大的ssim值，以及对应的帧，这一帧就是我们要找的关键帧。
[0127]
最后，我们将找到的关键帧作为关键集，用于后续的步骤。
[0128]
进一步的，在上述技术方案中，根据具体检测项目和病人病情建立代谢-衰变曲线的步骤，具体包括：
[0129]
建立代谢曲线；
[0130]
根据患者的症状，对代谢曲线进行修正，重点考虑不同的症状引发的不同器官的代谢变化；
[0131]
建立衰变曲线；
[0132]
将修正后的代谢曲线和衰变曲线进行符合，得到复合曲线；
[0133]
获取患者生理数据，包括年龄、性别、体重、体脂、代谢指数以及放射数据，包括放射性物质在体内的浓度随时间变化的数据；
[0134]
将获取的患者生理数据代入到复合曲线中，对曲线进行求解，并生成代谢-衰变曲线。
[0135]
在步骤s44中，我们的目标是根据具体的检测项目和病人的病情，建立一个代谢-衰变曲线。这个曲线可以帮助我们分析在特定时间点t1上，放射性物质在体内的分布情况。在这个步骤中，我们首先需要建立一个代谢曲线和一个衰变曲线，然后将这两个曲线合并，得到一个复合曲线。
[0136]
首先，我们需要建立一个代谢曲线。这个曲线需要考虑病人的年龄、性别、体重、体脂、代谢指数等因素。这些因素都会影响病人的代谢速率。我们可以使用以下的公式来表示这个曲线：
[0137]
m＝a
·
age+b
·
gender+cweight+d
·
bodyfat+e
·
metabolicrate；
[0138]
其中，m表示代谢速率，a、b、c、d和e是需要通过数据拟合得到的参数。
[0139]
接下来，我们需要建立一个衰变曲线。这个曲线需要考虑放射性物质在体内的分布情况，以及放射性物质的半衰期。我们可以使用以下的公式来表示这个曲线：
[0140]
d＝f
·
concentration
·
e-g
·
t
；
[0141]
其中，d表示衰变速率，f和g是需要通过数据拟合得到的参数，t表示时间，concentration表示放射性物质在体内的浓度。
[0142]
然后，我们需要将这两个曲线进行合并，得到一个复合曲线。这个曲线可以表示在特定时间点，放射性物质在体内的分布情况。我们可以使用以下的公式来表示这个曲线：
[0143]
c＝m
·
d；
[0144]
其中，c表示在特定时间点，放射性物质在体内的分布情况。
[0145]
最后，我们需要根据患者的数据，对这个曲线进行求解。这个过程可以使用最小二乘法等优化算法来完成。通过这个过程，我们可以得到代谢-衰变曲线记为f(t)，其中，t表示从患者注入放射性药物开始的时刻，然后根据这个曲线，我们可以分析在特定时间点t1上，放射性物质在体内的分布情况。
[0146]
接着，在步骤s45中需要确定假阳性阈值和假阴性阈值。这两个阈值是根据大量的历史数据通过统计分析得到的，可以反映出在一定的误差范围内，检测结果为假阳性或假阴性的概率。
[0147]
设假阳性阈值为c
yp
，假阴性阈值为c
yn
，则假阳性的概率p
yp
和假阴性的概率p
yn
可以用下面的公式表示：
[0148]
[0149][0150]
最后，我们需要判断关键帧的假阳性或假阴性的概率。如果p
yp
大于p
yn
，那么该关键帧的假阳性的概率大，反之，该关键帧的假阴性的概率大。
[0151]
优选的，在步骤s45中，假阴性阈值和假阳性阈值的获取方式是非常关键的，因为这两个阈值直接影响到我们对假阳性或假阴性的判断。具体来讲，我们可以通过以下步骤来获取这两个阈值：
[0152]
首先，我们需要收集一定量的历史核医学检测数据，这些数据包括了患者的症状、检测图像、检测结果以及是否出现假阳性或假阴性的情况。
[0153]
然后，我们可以使用机器学习的方法来训练一个模型，该模型的输入是患者的症状和检测图像，输出是检测结果是否出现假阳性或假阴性。在训练过程中，我们可以使用交叉验证的方法来评估模型的性能，并调整模型的参数。
[0154]
接下来，我们可以利用训练好的模型来预测新的患者数据。对于每一条新的患者数据，模型都会输出一个概率值，表示该患者出现假阳性或假阴性的概率。我们可以将这个概率值作为阈值，如果患者的概率值超过了这个阈值，那么我们就认为该患者可能出现假阳性或假阴性。
[0155]
具体的，假阴性阈值t
neg
和假阳性阈值t
pos
可以通过以下公式来计算：
[0156][0157][0158]
其中，n是患者的总数，p
neg
(i)和p
pos
(i)分别表示第i个患者出现假阴性和假阳性的概率。
[0159]
进一步的，在上述技术方案中，采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率的步骤中，还包括对得到的假阳性或假阴性的概率进行修正的步骤，具体是：
[0160]
输入患者的生理数据和药动学参数到生理基础药动学模型，得到放射性药物在体内的动态分布情况；
[0161]
计算放射性药物在体内的动态分布情况与第三检测图像的图像差异，计算它们之间的差异；
[0162]
根据图像差异的大小，修正假阳性或假阴性的概率。
[0163]
在s50步骤中，我们将利用生理基础药动学模型对得到的假阳性或假阴性的概率进行修正，输出核医学检测结果的假阳性或假阴性的概率。
[0164]
首先，我们需要明确生理基础药动学模型的基本概念。生理基础药动学模型(physiologically based pharmacokinetic，pbpk)是一种模拟药物在生物体内动态过程的数学模型，该模型能够描述药物在体内的吸收、分布、代谢和排泄过程。
[0165]
在我们的发明中，我们将该模型应用于放射性药物在体内的动态过程，以此来修正假阳性或假阴性的概率。具体来说，我们将患者的生理数据和放射性药物的药动学参数(如半衰期、代谢率等)输入到pbpk模型中，然后通过模型计算得到药物在体内的动态分布情况。我们将这个分布情况与核医学检测的结果进行对比，以此来修正假阳性或假阴性的
概率。
[0166]
具体的修正步骤可以描述为：
[0167]
(1)输入生理参数和药动学参数到pbpk模型，得到药物在体内的动态分布情况c(t)；
[0168]
(2)比较c(t)与核医学检测的结果d(t)，计算它们之间的差异e(t)＝|c(t)-d(t)|；
[0169]
(3)根据e(t)的大小，修正假阳性或假阴性的概率p。具体的修正方式可以通过以下公式进行：
[0170][0171]
其中，θ和δ是阈值和调节因子，均属于[0,1]区间，它们可以通过训练数据进行优化。
[0172]
这样，我们就可以得到修正后的假阳性或假阴性的概率p
new
，并将其作为核医学检测结果的输出。这种方法能够有效地利用生理基础药动学模型，提高核医学检测的准确性。
[0173]
具体的，本发明的原理是：本发明的技术原理主要涉及到核医学检测放射性分布图像的收集、处理、重建和对比分析等步骤，以及利用预训练的迁移模型进行图像处理和相似度匹配，进而判断出假阳性或假阴性的概率。
[0174]
首先，s10步骤是收集患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像。这一步骤的目的是获取原始的检测数据，其中，第一检测图像由按照时间顺序的多个帧组成，这样可以从时间序列的角度观察放射性物质在患者体内的分布和变化。
[0175]
其次，s20步骤是对收集到的第一检测图像进行预处理得到第二检测图像，以消除噪声和伪影。这一步骤的目的是提高图像质量，使得后续的图像处理和分析更加准确。预处理过程一般包括去噪、去伪影、图像增强等操作。
[0176]
然后，s30步骤是将预处理后的第二检测图像进行放射性分布的重建和校正，得到第三检测图像。这一步骤的目的是根据物理原理和数学模型，对图像进行重建和校正，使得图像更加接近真实的放射性分布。
[0177]
接下来，s40步骤是采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并输出给医护人员。这一步骤的目的是根据对比图像和第三检测图像的差异，判断出假阳性或假阴性的概率。此步骤具体包括以下几个子步骤。
[0178]
s41步骤是利用预先训练好的迁移模型对所述对比图像进行处理，得到迁移图像。这一步骤的目的是利用深度学习的方法，提取对比图像的特征，得到迁移图像。
[0179]
s42步骤是将所述迁移图像与所述第一检测图像的每一帧进行相似度匹配，将相似度最高的帧作为关键帧。这一步骤的目的是找出与对比图像最相似的帧，作为关键帧。
[0180]
s43步骤是获取所述关键帧对应的时刻t1。这一步骤的目的是确定关键帧对应的时间，以便后续进行代谢-衰变曲线的建立。
[0181]
s44步骤是根据具体检测项目和病人病情建立代谢-衰变曲线。这一步骤的目的是根据患者的具体情况，建立代谢-衰变曲线，以便后续进行阈值判断。
[0182]
最后，s45步骤是对所述时刻t1在所述代谢-衰变曲线上的位置以及假阳性阈值和
假阴性阈值来判断所述关键帧假阳性或假阴性的概率。这一步骤的目的是根据关键帧在代谢-衰变曲线上的位置，以及预设的假阳性阈值和假阴性阈值，判断出关键帧的假阳性或假阴性的概率。
[0183]
通过上述步骤，本发明可以实现核医学检测假阳性或假阴性的判断，提高了检测的准确性和可靠性。
[0184]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种核医学检测假阳性或假阴性判断的方法，其特征在于，包含以下步骤：s10、收集患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像，其中，所述第一检测图像由按照时间顺序的多个帧组成；s20、对收集到的第一检测图像进行预处理得到第二检测图像，以消除噪声和伪影；s30、将预处理后的第二检测图像进行放射性分布的重建和校正，得到第三检测图像；s40、采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并输出给医护人员。2.根据权利要求1所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述采用对比图像和第三检测图像进行对比分析，识别出假阳性和假阴性结果的步骤，具体包括：s41、利用预先训练好的迁移模型对所述对比图像进行处理，得到迁移图像；s42、将所述迁移图像与所述第一检测图像的每一帧进行相似度匹配，将相似度最高的帧作为关键帧；s43、获取所述关键帧对应的时刻t1；s44、根据具体检测项目和病人病情建立代谢-衰变曲线；s45、对所述时刻t1在所述代谢-衰变曲线上的位置以及假阳性阈值和假阴性阈值来判断所述关键帧假阳性或假阴性的概率。3.根据权利要求2所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述迁移模型的训练步骤为：采用resnet作为预训练模型；建立微调数据库、包括多个历史其他检测方式得到的历史对比图像以及对应同一患者同一时间段相同检测部位的核医学检测历史图像；症状帧选择、获取每一个核医学检测历史图像包含的多个帧中最能表现患者症状的帧作为症状帧；图像对齐、将历史对比图像与症状帧进行对齐；将所述预训练模型的最后一个全连接层替换为一个新的全连接层，所述新的全连接层的输出为症状帧；利用所述微调数据库对替换了新的全连接层的预训练模型进行微调，得到迁移模型。4.根据权利要求2所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述将所述迁移图像与所述第一检测图像的每一帧进行相似度匹配采用的是结构相似度指数方法。5.根据权利要求2所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述根据具体检测项目和病人病情建立代谢-衰变曲线的步骤，具体包括：建立代谢曲线；根据患者的症状，对代谢曲线进行修正，重点考虑不同的症状引发的不同器官的代谢变化；建立衰变曲线；将修正后的代谢曲线和衰变曲线进行符合，得到复合曲线；获取患者生理数据，包括年龄、性别、体重、体脂、代谢指数以及放射数据，包括放射性
物质在体内的浓度随时间变化的数据；将获取的患者生理数据代入到复合曲线中，对曲线进行求解，并生成代谢-衰变曲线。6.根据权利要求5所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率的步骤中，还包括对得到的假阳性或假阴性的概率进行修正的步骤，具体是：输入患者的生理数据和药动学参数到生理基础药动学模型，得到放射性药物在体内的动态分布情况；计算放射性药物在体内的动态分布情况与所述第三检测图像的图像差异，计算它们之间的差异；根据所述图像差异的大小，修正假阳性或假阴性的概率。7.根据权利要求1所述的一种核医学检测假阳性或假阴性判断的方法，其特征在于，所述其他检测方式至少包括ct、mri。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，所述程序指令运行时用于执行权利要求1-7任一项所述的核医学检测假阳性或假阴性判断的方法。9.一种核医学检测假阳性或假阴性判断的系统，其特征在于，包含权利要求8所述的计算机可读存储介质。

技术总结
本发明提供了一种核医学检测假阳性或假阴性判断的方法、介质及系统，属于核医学检测技术领域，该核医学检测假阳性或假阴性判断的方法包括：收集患者体内核医学检测放射性分布的第一检测图像以及其他检测方式获得的对比图像，其中，所述第一检测图像由按照时间顺序的多个帧组成；对收集到的第一检测图像进行预处理得到第二检测图像，以消除噪声和伪影；将预处理后的第二检测图像进行放射性分布的重建和校正，得到第三检测图像；采用对比图像和第三检测图像进行对比分析，识别出假阳性或假阴性的概率，并输出给医护人员：该方法、介质及系统能够解决当前对核医学检测结果的假阳性或假阴性的概率缺乏分析的技术问题。或假阴性的概率缺乏分析的技术问题。或假阴性的概率缺乏分析的技术问题。


技术研发人员：郑飞波 唐坤宏 石德道 王善容
受保护的技术使用者：青岛市市立医院
技术研发日：2023.07.10
技术公布日：2023/10/8