1.基于可逆深度网络的医学图像隐写方法，其特征在于，执行如下步骤S1‑步骤S6，构建可逆神经网络，包括可逆神经网络编码器、可逆神经网络解码器，完成对医学图像的加密和解密：步骤S1：接收原始的医学图像与待嵌入的秘密信息，并对原始的医学图像进行归一化处理，同时进行空间对齐；

步骤S2：构建多尺度特征提取网络，将归一化后的医学图像输入多尺度特征提取网络，分别提取医学图像的低层纹理特征、中层边缘特征与高层语义特征，并在通道维度上拼接形成融合特征；

步骤S3：针对待嵌入的秘密信息，基于秘密信息的数据格式，进行加密；

步骤S4：构建可逆神经网络编码器，将融合特征与加密后的秘密信息在通道维度上拼接形成联合表示，并将联合表示输入可逆神经网络编码器以生成隐写图像；

步骤S4的具体步骤如下：

步骤S4.1：将步骤S3获得的加密后的秘密信息 与步骤S2获得的融合特征 拼接为联合输入：；

式中，表示联合输入，表示在通道维度上的拼接操作；

步骤S4.2：构建可逆神经网络编码器，将联合输入 输入至可逆神经网络编码器，生成隐写图像 ：；

式中， 是双向耦合结构的组合函数；

可逆神经网络编码器采用如下残差方式定义输出的隐写图像 ：；

式中， 为学习得到的扰动项， 表示归一化后的医学图像；

步骤S4.3：可逆神经网络具备可逆性，可逆神经网络存在逆映射函数，使得下式成立：；

式中， 表示双向耦合结构的组合函数的逆映射函数；

根据上式提取加密后的秘密信息 与融合特征 ；

步骤S5：构建可逆神经网络解码器，将隐写图像输入可逆神经网络解码器，通过逆向映射提取出融合特征与加密后的秘密信息，并分别重建原始的医学图像与秘密信息；

步骤S5的具体步骤如下：

步骤S5.1：构建可逆神经网络解码器，根据可逆神经网络的可逆性，将隐写图像通过逆映射函数处理，具体如下式：；

式中，为逆映射函数处理获得的重建融合特征映射，为逆映射函数处理获得的重建秘密信息； 表示双向耦合结构的组合函数的逆映射函数；

步骤S5.2：利用重建函数 将重建融合特征映射转换回原始的医学图像形式：；

式中， 为重建函数， 表示重建的原始医学图像；

步骤S5.3：若秘密信息经过AES加密或扩散扰动加密，则执行如下逆过程：；

式中， 表示解码的秘密信息， 表示AES加密的逆过程；

同时，对扩散扰动加密部分进行均值或滤波还原，获得最终的秘密信息；

步骤S6：构建结构感知联合损失函数，对可逆神经网络进行训练，获得训练好的可逆神经网络，在发送端部署可逆神经网络编码器，在接收端部署可逆神经网络解码器，完成对医学图像的加密和解密。

2.根据权利要求1所述的基于可逆深度网络的医学图像隐写方法，其特征在于，步骤S1的具体步骤如下：步骤S1.1：接收原始的医学图像 ，维度为H×W，其中，H、W分别为原始的医学图像的高度、宽度，像素灰度值范围[0,255]；以及待嵌入的秘密信息 ；

步骤S1.2：对原始的医学图像 进行归一化处理，具体如下式：；

其中， 表示原始的医学图像在(x,y)处的强度值， 表示归一化后的医学图像在(x,y)处的强度值， 表示原始的医学图像 中的最低强度值，表示原始的医学图像 中的最高强度值；

步骤S1.3：根据临床任务预提取预设的感兴趣区域，感兴趣区域的掩码表示为下式：；

式中， 表示感兴趣区域； 表示感兴趣区域中(x,y)处的掩码；

步骤S1.4：通过下式进行空间对齐：；

式中， 表示PET图像变化函数， 表示经仿射变换并重采样到参考坐标后的PET图像在(x,y)处的强度值，、、、、、表示二维仿射变换参数。

3.根据权利要求2所述的基于可逆深度网络的医学图像隐写方法，其特征在于，步骤S2的具体步骤如下：步骤S2.1：提取低层纹理特征 如下式：；

式中， 表示多尺度特征提取网络前2 3层卷积和ReLU激活的低层编码器函数；

~

表示归一化后的医学图像；

步骤S2.2：提取中层边缘特征 如下式：；

式中， 表示下采样和中尺度卷积函数；

步骤S2.3：提取高层语义特征 如下式：；

式中， 表示残差模块或Transformer模块函数；

步骤S2.4：将低层纹理特征 、中层边缘特征 、高层语义特征 在通道维度上拼接融合，得到融合特征如下式：；

式中，表示融合特征， 表示拼接操作。

4.根据权利要求3所述的基于可逆深度网络的医学图像隐写方法，其特征在于，步骤S3的具体步骤如下：步骤S3.1：秘密信息的数据格式包括文本、标签，以及图像；若秘密信息的数据格式为文本或标签，则采用二进制编码形式；若秘密信息的数据格式为图像，则直接使用像素矩阵表示；

步骤S3.2：针对文本或标签数据格式的秘密信息，采用高级加密标准AES进行AES加密，表示为下式：；

式中， 表示AES加密后的秘密信息， 表示基于预共享密钥的对称加密操作，解密时需使用相同预共享密钥进行逆运算，表示秘密信息；

步骤S3.3：针对图像数据格式的秘密信息，采用加高斯扰动进行扩散扰动加密，表示为下式：；

式中， 表示扩散扰动加密后的秘密信息； 表示高斯噪声， 表示高斯噪声的方差；

步骤S3.4：在实际应用中，将AES加密与扩散扰动加密结合使用，如下式：；

式中， 表示AES加密与扩散扰动加密结合后的秘密信息。

5.根据权利要求4所述的基于可逆深度网络的医学图像隐写方法，其特征在于，步骤S6的具体步骤如下：步骤S6.1：构建隐匿性损失 如下式：；

其中， 表示平衡结构相似性函数， 表示控制权重， 表示可逆神经网络编码器输出的隐写图像， 表示归一化后的医学图像；

步骤S6.2：构建重建损失 如下式：；

式中，表示可逆神经网络解码器输出的重建秘密信息，表示可逆神经网络编码器输出的秘密信息， 表示L1距离；

步骤S6.3：构建ROI结构损失 如下式：；

式中， 表示感兴趣区域中(x,y)处的掩码； 表示隐写图像在(x,y)处的强度值， 表示归一化后的医学图像在(x,y)处的强度值；

步骤S6.4：构建结构感知联合损失函数如下式：；

式中，表示结构感知联合损失函数，、分别为重建损失 、ROI结构损失 的权重系数。

6.基于可逆深度网络的医学图像隐写系统，其特征在于，包括：一个或多个处理器及存储器，存储器存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，通过以下步骤获得可逆神经网络，包括可逆神经网络编码器、可逆神经网络解码器，实现如权利要求1‑5任一项所述的基于可逆深度网络的医学图像隐写方法：步骤S1：接收原始的医学图像与待嵌入的秘密信息，并对原始的医学图像进行归一化处理，同时进行空间对齐；

步骤S2：构建多尺度特征提取网络，将归一化后的医学图像输入多尺度特征提取网络，分别提取医学图像的低层纹理特征、中层边缘特征与高层语义特征，并在通道维度上拼接形成融合特征；

步骤S3：针对待嵌入的秘密信息，基于秘密信息的数据格式，进行加密；

步骤S4：构建可逆神经网络编码器，将融合特征与加密后的秘密信息在通道维度上拼接形成联合表示，并将联合表示输入可逆神经网络编码器以生成隐写图像；

步骤S5：构建可逆神经网络解码器，将隐写图像输入可逆神经网络解码器，通过逆向映射提取出融合特征与加密后的秘密信息，并分别重建原始的医学图像与秘密信息；

步骤S6：构建结构感知联合损失函数，对可逆神经网络进行训练，获得训练好的可逆神经网络，在发送端部署可逆神经网络编码器，在接收端部署可逆神经网络解码器，完成对医学图像的加密和解密。