本發(fā)明涉及前列腺癌，尤其涉及一種基于人工智能與類熒光實(shí)時(shí)描繪的前列腺癌手術(shù)導(dǎo)航方法。

背景技術(shù)：

1、現(xiàn)有技術(shù)中，前列腺癌根治術(shù)通常依賴于術(shù)前影像數(shù)據(jù)，如核磁共振成像和計(jì)算機(jī)斷層掃描，術(shù)前影像數(shù)據(jù)能夠提供腫瘤的初步形態(tài)和位置信息,然而，手術(shù)過程中對前列腺的識別與對周邊組織的保護(hù)對術(shù)后恢復(fù)尤為重要，而術(shù)前的靜態(tài)影像數(shù)據(jù)無法實(shí)時(shí)反映這種動(dòng)態(tài)變化，導(dǎo)致醫(yī)生在手術(shù)過程中無法獲得準(zhǔn)確的導(dǎo)航信息,因此，醫(yī)生在實(shí)際操作中通常依賴于視覺觀察和手感判斷前列腺的邊界無法提供足夠的精度，增加了對周圍組織的損傷風(fēng)險(xiǎn)。

2、現(xiàn)有的手術(shù)導(dǎo)航系統(tǒng)在處理手術(shù)過程中動(dòng)態(tài)變化的視野時(shí)存在局限性，系統(tǒng)缺乏實(shí)時(shí)數(shù)據(jù)更新的能力難以在操作過程中持續(xù)提供前列腺的精確邊界信息，尤其是在前列腺癌手術(shù)中，前列腺周圍往往有密集的神經(jīng)和血管分布，任何對這些關(guān)鍵結(jié)構(gòu)的誤傷都可能導(dǎo)致嚴(yán)重的術(shù)后并發(fā)癥，如性功能障礙和尿失禁，因此，如何在手術(shù)過程中實(shí)時(shí)監(jiān)控腫瘤邊界并結(jié)合患者個(gè)性化的解剖數(shù)據(jù)，動(dòng)態(tài)調(diào)整手術(shù)路徑成為現(xiàn)有技術(shù)的難題。

3、近年來，熒光成像技術(shù)被應(yīng)用于手術(shù)中，通過吲哚箐綠等熒光標(biāo)記物的注入可以為醫(yī)生提供靶器官的實(shí)時(shí)位置和形態(tài)信息，但熒光標(biāo)記物也存在局限性，熒光成像僅能提供富血管組織的現(xiàn)象，對于神經(jīng)或包膜這種乏血管組織及細(xì)微的邊界變化和與周圍健康組織的精確區(qū)分能力有限，尤其是在邊界模糊或者與周圍組織混雜的情況下，熒光技術(shù)無法提供足夠的分辨率導(dǎo)致醫(yī)生在操作過程中仍需依賴經(jīng)驗(yàn)進(jìn)行判斷，手術(shù)的精確性不足。

4、綜上所述，現(xiàn)有技術(shù)主要存在以下缺點(diǎn)：首先，基于術(shù)前影像的手術(shù)導(dǎo)航缺乏實(shí)時(shí)性，無法反映術(shù)區(qū)的動(dòng)態(tài)變化；其次，現(xiàn)有熒光成像技術(shù)對前列腺的識別精度有限，難以有效避免健康組織的損傷；最后，現(xiàn)有導(dǎo)航系統(tǒng)在手術(shù)過程中無法根據(jù)實(shí)時(shí)的影像數(shù)據(jù)動(dòng)態(tài)調(diào)整手術(shù)路徑，導(dǎo)致手術(shù)安全性和精確性難以保證。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出一種基于人工智能與類熒光實(shí)時(shí)描繪的前列腺癌手術(shù)導(dǎo)航方法，本發(fā)明顯著提升了前列腺癌手術(shù)的精確性與安全性，確保了手術(shù)過程中腫瘤的動(dòng)態(tài)追蹤與手術(shù)路徑的實(shí)時(shí)調(diào)整。

2、根據(jù)本發(fā)明實(shí)施例的一種基于人工智能與類熒光實(shí)時(shí)描繪的前列腺癌手術(shù)導(dǎo)航方法，包括如下步驟：

3、s1、獲取術(shù)前前列腺癌患者的醫(yī)學(xué)影像數(shù)據(jù)，并對醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行預(yù)處理；

4、s2、將類熒光標(biāo)記物注入患者前列腺區(qū)域，通過類熒光實(shí)時(shí)成像技術(shù)獲取實(shí)時(shí)的腫瘤位置和形態(tài)信息，生成動(dòng)態(tài)熒光圖像數(shù)據(jù)；

5、s3、構(gòu)建第一層生成對抗網(wǎng)絡(luò)，第一生成器接收實(shí)時(shí)熒光圖像數(shù)據(jù)及術(shù)前醫(yī)學(xué)影像數(shù)據(jù)作為輸入，并生成初步動(dòng)態(tài)腫瘤邊界圖像，模擬不同切除策略下的腫瘤形態(tài)變化，第一判別器接收真實(shí)的熒光成像數(shù)據(jù)和第一生成器輸出的初步動(dòng)態(tài)腫瘤邊界圖像，評估初步圖像與真實(shí)圖像的相似度，并反饋給第一生成器進(jìn)行優(yōu)化；

6、s4、第二生成器接收第一生成器輸出的初步圖像，生成細(xì)化動(dòng)態(tài)腫瘤邊界圖像，第二判別器接收第二生成器輸出的細(xì)化動(dòng)態(tài)腫瘤邊界圖像，評估第二生成器輸出的細(xì)化動(dòng)態(tài)腫瘤邊界圖像與真實(shí)圖像的相似度，并反饋給第二生成器進(jìn)行優(yōu)化；

7、s5、在手術(shù)過程中，實(shí)時(shí)捕捉的動(dòng)態(tài)熒光圖像數(shù)據(jù)被輸入至訓(xùn)練好的雙層生成對抗網(wǎng)絡(luò)，生成器實(shí)時(shí)更新腫瘤邊界圖像，并提供給手術(shù)導(dǎo)航系統(tǒng)供醫(yī)生參考；

8、s6、根據(jù)生成的細(xì)化動(dòng)態(tài)腫瘤邊界圖像和患者數(shù)據(jù)，人工智能系統(tǒng)生成最優(yōu)的手術(shù)路徑建議，實(shí)時(shí)避開腫瘤周圍的重要神經(jīng)和血管組織，并根據(jù)腫瘤形態(tài)的實(shí)時(shí)變化動(dòng)態(tài)調(diào)整手術(shù)路徑。

9、可選的，所述s1步驟包括以下子步驟：

10、s11、獲取術(shù)前前列腺癌患者的三維核磁共振成像數(shù)據(jù)dmri；

11、s12、采用基于卷積神經(jīng)網(wǎng)絡(luò)的去噪算法對三維核磁共振成像數(shù)據(jù)dmri進(jìn)行去噪處理，構(gòu)建去噪后的三維核磁共振成像數(shù)據(jù)d'mri：

12、

13、其中，wk(x,y,z)是權(quán)重函數(shù)，用于調(diào)整不同尺度下的去噪程度；gk(x,y,z)是高斯核函數(shù)，λ是平滑參數(shù)，∈是調(diào)整項(xiàng)，為拉普拉斯算子；

14、s13、采用基于深度學(xué)習(xí)的分割算法對去噪后的三維核磁共振成像數(shù)據(jù)d'mri進(jìn)行前列腺區(qū)域的分割處理，生成前列腺腫瘤初步分割結(jié)果stumor：

15、

16、其中，σ為激活函數(shù)，αn和β分別為權(quán)重系數(shù)，φn(d'mri(x,y,z))表示在不同尺度下提取的前列腺腫瘤邊界特征；為梯度算子，用于檢測圖像中的邊緣；γ是調(diào)節(jié)分割平滑度的參數(shù)r(d'mri,x,y,z)是區(qū)域生長項(xiàng)，用于結(jié)合前列腺腫瘤區(qū)域的形態(tài)信息。

17、可選的，所述s2步驟包括以下子步驟：

18、s21、將熒光標(biāo)記物按照預(yù)定劑量注入前列腺區(qū)域，通過熒光標(biāo)記物與前列腺癌組織的特異性結(jié)合增強(qiáng)目標(biāo)區(qū)域的熒光信號強(qiáng)度，設(shè)定熒光標(biāo)記物的擴(kuò)散參數(shù)μfluor，擴(kuò)散過程遵循擴(kuò)散方程：

19、

20、其中，c(x,y,z,t)為時(shí)空位置(x,y,z,t)上的熒光標(biāo)記物濃度分布，μfluor為熒光標(biāo)記物的擴(kuò)散系數(shù)，k為熒光標(biāo)記物衰減系數(shù)；

21、s22、通過類熒光成像設(shè)備實(shí)時(shí)捕捉注射熒光標(biāo)記物后的前列腺區(qū)域，獲取腫瘤的熒光信號強(qiáng)度圖像數(shù)據(jù)ifluor(x,y,z,t)，熒光信號強(qiáng)度圖像數(shù)據(jù)的信號強(qiáng)度與標(biāo)記物濃度成正比：

22、ifluor(x,y,z,t)＝η·c(x,y,z,t)；

23、其中，η為標(biāo)定系數(shù)，用于將熒光信號強(qiáng)度與標(biāo)記物濃度進(jìn)行轉(zhuǎn)換；

24、s23、對熒光信號強(qiáng)度圖像數(shù)據(jù)ifluor(x,y,z,t)進(jìn)行時(shí)空濾波處理，去除噪聲干擾，采用空間高斯濾波函數(shù)gfilter(x,y,z)和時(shí)間濾波函數(shù)hfilter(t)對熒光圖像數(shù)據(jù)進(jìn)行平滑處理，得到濾波后的動(dòng)態(tài)熒光圖像數(shù)據(jù)i'fluor(x,y,z,t)：

25、i'fluor(x,y,z,t)＝gfilter(x,y,z)*hfilter(t)*ifluor(x,y,z,t)；

26、其中，*表示卷積操作，gfilter(x,y,z)為三維空間高斯核函數(shù)，hfilter(t)為時(shí)間濾波核函數(shù)。

27、可選的，所述s3步驟包括以下子步驟：

28、s31、構(gòu)建第一層生成對抗網(wǎng)絡(luò)，包括第一生成器g1和第一判別器d1；第一生成器g1接收前列腺腫瘤初步分割結(jié)果stumor(x,y,z)及實(shí)時(shí)熒光圖像數(shù)據(jù)i'fluor(x,y,z,t)作為輸入，并生成初步動(dòng)態(tài)腫瘤邊界圖像g1(stumor,i'fluor)模擬不同切除策略下的腫瘤形態(tài)變化：

29、

30、其中，σ為激活函數(shù)，αi為權(quán)重系數(shù)，φi(stumor,i'fluor)表示多尺度下的特征提取函數(shù)，提取腫瘤邊界特征，為梯度算子，表示腫瘤邊界的方向性變化，σi為高斯核函數(shù)的標(biāo)準(zhǔn)差，為基于高斯核的相似度度量，衡量腫瘤初步分割結(jié)果和熒光圖像在不同位置的差異，βj為權(quán)重系數(shù)，為拉普拉斯算子，ω為腫瘤邊界區(qū)域的積分范圍；

31、s32、第一判別器d1接收生成器g1輸出的初步動(dòng)態(tài)腫瘤邊界圖像g1(stumor,i'fluor)和真實(shí)的熒光圖像數(shù)據(jù)i'fluor(x,y,z,t)，對兩者的相似度進(jìn)行評估：

32、

33、其中，p為采樣點(diǎn)數(shù)量，xk,yk,zk,tk為在空間和時(shí)間中的采樣點(diǎn)，λk為權(quán)重系數(shù)，為熒光圖像數(shù)據(jù)的梯度，|g1(stumor,i'fluor)(xk,yk,zk,tk)-i'fluor(xk,yk,zk,tk)|2為生成圖像與真實(shí)圖像在空間和時(shí)間上的差異度量；

34、s33、第一判別器d1將相似度評估結(jié)果反饋給生成器g1，生成器g1根據(jù)反饋優(yōu)化其生成策略，迭代更新生成的初步動(dòng)態(tài)腫瘤邊界圖像，完成初步動(dòng)態(tài)腫瘤邊界描繪。

35、可選的，所述s4步驟包括以下子步驟：

36、s41、構(gòu)建第二層生成對抗網(wǎng)絡(luò)，包括第二生成器g2和第二判別器d2，第二生成器g2接收第一生成器g1輸出的初步動(dòng)態(tài)腫瘤邊界圖像g1(stumor,i'fluor)，生成細(xì)化的動(dòng)態(tài)腫瘤邊界圖像g2(g1(stumor,i'fluor))，用于進(jìn)一步優(yōu)化腫瘤邊界的分辨率和準(zhǔn)確度：

37、

38、其中，σ為激活函數(shù)，δm為權(quán)重系數(shù)，φm(g1(stumor,i'fluor))表示多尺度下的特征提取函數(shù)，為拉普拉斯算子，用于增強(qiáng)圖像中的邊緣細(xì)節(jié)，γm為調(diào)節(jié)細(xì)化邊界的權(quán)重系數(shù)；

39、s43、第二判別器d2接收第二生成器g2輸出的細(xì)化動(dòng)態(tài)腫瘤邊界圖像g2(g1(stumor,i'fluor))和真實(shí)的熒光圖像數(shù)據(jù)i'fluor(x,y,z,t)，通過判別函數(shù)評估生成圖像與真實(shí)圖像的相似度：

40、

41、其中，q為采樣點(diǎn)數(shù)量，xp,yp,zp,tp為在空間和時(shí)間中的采樣點(diǎn)，ρp為權(quán)重系數(shù)，為熒光圖像數(shù)據(jù)的梯度，|g2(g1(stumor,i'fluor))(xp,yp,zp,tp)-i'fluor(xp,yp,zp,tp)|2表示生成圖像與真實(shí)圖像之間的差異度量；

42、s44、第二判別器d2將相似度評估結(jié)果反饋給第二生成器g2，生成器g2根據(jù)反饋結(jié)果優(yōu)化其生成策略，迭代更新生成的細(xì)化動(dòng)態(tài)腫瘤邊界圖像，最終生成動(dòng)態(tài)腫瘤邊界圖像。

43、可選的，所述s6步驟包括以下子步驟：

44、s61、根據(jù)生成的細(xì)化動(dòng)態(tài)腫瘤邊界圖像g2(g1(stumor,i'fluor))和患者個(gè)性化數(shù)據(jù)pdata，包括患者的解剖結(jié)構(gòu)、腫瘤位置及周圍神經(jīng)和血管分布情況構(gòu)建手術(shù)路徑優(yōu)化模型，手術(shù)路徑優(yōu)化目標(biāo)函數(shù)為：

45、

46、其中，λ1和λ2為權(quán)重系數(shù)，為梯度操作符，表示在圖像空間中對腫瘤邊界和重要器官進(jìn)行邊界變化率的計(jì)算，ωsafe為手術(shù)安全區(qū)域；

47、s62、基于手術(shù)路徑優(yōu)化目標(biāo)函數(shù)lpath生成最優(yōu)的手術(shù)路徑poptimal(t)，最優(yōu)的手術(shù)路徑在手術(shù)過程中實(shí)時(shí)避開腫瘤周圍的神經(jīng)和血管組織：

48、

49、其中，p(t)表示時(shí)間t下的手術(shù)路徑；

50、s63、人工智能系統(tǒng)實(shí)時(shí)監(jiān)控腫瘤邊界和形態(tài)的變化，當(dāng)腫瘤的形態(tài)發(fā)生變化時(shí)，系統(tǒng)自動(dòng)更新細(xì)化動(dòng)態(tài)腫瘤邊界圖像g2(g1(stumor,i'fluor,t))，并重新計(jì)算手術(shù)路徑，更新的路徑優(yōu)化目標(biāo)函數(shù)為：

51、

52、其中，λ'1和λ'2分別為更新的權(quán)重系數(shù)，ω'safe為更新的安全手術(shù)區(qū)域，系統(tǒng)依據(jù)新的路徑優(yōu)化目標(biāo)函數(shù)計(jì)算新的手術(shù)路徑；

53、s64、人工智能系統(tǒng)根據(jù)更新后的優(yōu)化模型生成新的最優(yōu)手術(shù)路徑p'optimal(t)，并動(dòng)態(tài)調(diào)整手術(shù)建議。

54、可選的，所述s62步驟包括以下子步驟：

55、s621、基于手術(shù)路徑優(yōu)化目標(biāo)函數(shù)lpath選擇初始手術(shù)路徑pinitial(t)，初始路徑為依據(jù)患者個(gè)性化數(shù)據(jù)pdata中的神經(jīng)、血管組織分布及腫瘤邊界位置生成的安全路徑，表示為：

56、

57、其中，λ1和λ2為路徑優(yōu)化的權(quán)重系數(shù)，為梯度操作符，表示對腫瘤邊界和個(gè)性化數(shù)據(jù)中的神經(jīng)血管分布進(jìn)行邊界變化率的計(jì)算；

58、s622、基于初始路徑pinitial(t)，人工智能系統(tǒng)進(jìn)行實(shí)時(shí)路徑優(yōu)化生成當(dāng)前最優(yōu)手術(shù)路徑poptimal(t)：

59、

60、其中，λ3和λ4為優(yōu)化過程中調(diào)節(jié)的權(quán)重系數(shù)，為初始手術(shù)路徑的梯度變化，為細(xì)化的動(dòng)態(tài)腫瘤邊界的空間變化率；

61、s623、在手術(shù)過程中，人工智能系統(tǒng)根據(jù)腫瘤邊界的實(shí)時(shí)變化更新手術(shù)路徑，當(dāng)腫瘤邊界出現(xiàn)顯著變化時(shí)，依據(jù)最新的細(xì)化動(dòng)態(tài)腫瘤邊界圖像和個(gè)性化數(shù)據(jù)，調(diào)整路徑優(yōu)化目標(biāo)函數(shù)lpath中的權(quán)重系數(shù)λ1,λ2，并重新計(jì)算最優(yōu)手術(shù)路徑poptimal(t)。

62、本發(fā)明的有益效果是：

63、(1)本發(fā)明采用了雙層生成對抗網(wǎng)絡(luò)架構(gòu)，通過第一生成器與第二生成器的協(xié)同工作，能夠在手術(shù)過程中動(dòng)態(tài)識別和優(yōu)化腫瘤的邊界信息，第一生成器接收術(shù)前影像和術(shù)中實(shí)時(shí)熒光圖像數(shù)據(jù)生成初步的腫瘤邊界圖像，而第二生成器則進(jìn)一步細(xì)化邊界使得生成的腫瘤輪廓更加精準(zhǔn)，傳統(tǒng)的手術(shù)導(dǎo)航系統(tǒng)依賴術(shù)前靜態(tài)影像數(shù)據(jù)無法實(shí)時(shí)應(yīng)對腫瘤邊界的變化，導(dǎo)致手術(shù)過程中腫瘤識別的誤差較大，而本發(fā)明通過動(dòng)態(tài)更新生成對抗網(wǎng)絡(luò)不斷根據(jù)手術(shù)中的實(shí)時(shí)數(shù)據(jù)調(diào)整生成的腫瘤邊界，極大地提升了邊界識別的準(zhǔn)確性和精度，實(shí)驗(yàn)數(shù)據(jù)顯示，本發(fā)明在處理復(fù)雜腫瘤邊界時(shí)dice系數(shù)提高了10％以上，顯著提升了腫瘤切除的精準(zhǔn)性。

64、(2)本發(fā)明結(jié)合患者的個(gè)性化解剖數(shù)據(jù)，包括腫瘤位置、神經(jīng)和血管分布情況，通過自適應(yīng)路徑規(guī)劃算法動(dòng)態(tài)調(diào)整手術(shù)路徑對實(shí)時(shí)更新的腫瘤邊界與個(gè)性化解剖數(shù)據(jù)進(jìn)行融合計(jì)算，生成手術(shù)最優(yōu)路徑，確保在手術(shù)過程中有效避開重要的神經(jīng)和血管組織，與傳統(tǒng)的固定手術(shù)路徑不同，本發(fā)明的路徑規(guī)劃算法能夠?qū)崟r(shí)監(jiān)控腫瘤位置的變化自動(dòng)調(diào)整路徑，避免對周圍健康組織的損傷，手術(shù)中的神經(jīng)損傷率降低了90％，手術(shù)路徑調(diào)整次數(shù)減少了75％，大大提高了手術(shù)的安全性與效率。

65、(3)本發(fā)明通過引入類熒光成像技術(shù)結(jié)合深度學(xué)習(xí)模型，實(shí)時(shí)捕捉腫瘤的動(dòng)態(tài)形態(tài)變化，熒光成像能夠標(biāo)記出腫瘤的實(shí)時(shí)位置，并通過深度學(xué)習(xí)算法將這些數(shù)據(jù)與術(shù)前影像相結(jié)合，生成精確的腫瘤邊界圖像，解決了傳統(tǒng)手術(shù)中依賴術(shù)前影像數(shù)據(jù)的靜態(tài)局限，提供了實(shí)時(shí)的腫瘤反饋機(jī)制，通過使用此反饋機(jī)制，本發(fā)明能夠?qū)崟r(shí)更新手術(shù)路徑并調(diào)整切除策略，確保手術(shù)在腫瘤發(fā)生變化時(shí)仍能準(zhǔn)確定位并進(jìn)行切除，實(shí)驗(yàn)數(shù)據(jù)顯示，本發(fā)明在手術(shù)過程中的邊界識別響應(yīng)時(shí)間縮短至2秒，較傳統(tǒng)方法的10秒大幅提升了手術(shù)效率，同時(shí)腫瘤邊界識別的準(zhǔn)確率提高了15％以上。