1.一种基于扩散模型的肝脏肿瘤放疗剂量预测方法，其特征在于包括以下步骤：

(1)数据收集

收集历史肝脏肿瘤病例三维放疗数据，形成数据集，包括病人CT图、肿瘤靶区PTV的轮廓图、危及器官OAR的轮廓图、调强放疗IMRT的剂量图、适形放疗CRT的剂量图；

(2)预处理，具体包括以下步骤：

(2‑a)根据步骤(1)获取的PTV轮廓图和OAR轮廓图计算有符号距离图SDM，计算公式为：

其中，SDM(u)表示有符号距离图SDM中体素u处的值，(iu,ju,ku)表示体素u的三维坐标值，(iv,jv,kv)表示体素v的三维坐标值，v表示位于感兴趣区域ROI表面 的体素点，即PTV或OAR表面的体素点；si、sj、sk分别表示体素在i、j、k三个不同维度的体素间距；km是整数且km∈{‑1,0,1}，km＝1、km＝‑1、km＝0分别代表体素u位于感兴趣区域ROI的内部、外部和表面；

(2‑b)根据步骤(1)获取的CRT剂量图计算三维射束场BF，计算公式为：

其中，BF(i,j,k)表示BF在坐标(i,j,k)处的值；CRT(i,j,k)表示CRT剂量图在坐标(i,j,k)处的值，CRTmin表示CRT剂量图中的最小值，CRTmax表示CRT剂量图中的最大值；

(2‑c)将数据集中每位患者的CT图、PTV轮廓图、OAR轮廓图、IMRT剂量图、CRT剂量图，以及步骤(2‑a)获得的SDM图和步骤(2‑b)获得的BF图，划分为与患者原始CT切片一一对应的二维图像；

(3)构建剂量预测模型，具体包括以下步骤：

(3‑a)加噪过程，逐步向IMRT剂量图中添加噪声，规则如下：

其中t为时间步，表示加噪过程中的不同阶段，T表示加噪的最大时间步；xt表示在时间步t加噪后的图像，x0代表未添加噪声的IMRT剂量图像；αt表示时间步t的加噪强度，∈t为服从标准正态分布的随机噪声；

(3‑b)去噪过程，从xT开始逐步去除噪声，最终生成需要的剂量预测图，规则如下：

其中，x'T＝xT，∈θ(xt',t,y)表示时间步t时噪声预测网络从去噪过程中的图像xt'预测得到的噪声； zt为服从标准正态分布的随机噪声；y代表条件信息，用于引导模型生成所需要的剂量预测图，y包括CT图像、PTV轮廓图像、OAR轮廓图像、SDM图像以及BF图像；

(4)构建损失函数：

损失函数构建如下：

其中， 表示考虑所有未添加噪声的IMRT剂量图x0、添加噪声∈t、时间步t和条件信息y情况下，预测噪声∈θ(xt',t,y)与∈t之间的均方误差的平均值；MSE(·)表示求均方误差；

(5)训练预测模型：将步骤(2)得到的数据输入步骤(3)构建的剂量预测模型，以步骤(4)构建的损失函数作为优化目标进行训练，并使用AdamW优化器更新模型参数，直到损失不再下降，得到训练好的模型；

(6)剂量预测：使用步骤(5)中训练好的剂量预测模型对待测试的数据进行剂量预测，得到剂量预测结果。

2.如权利要求1所述的一种基于扩散模型的肝脏肿瘤放疗剂量预测方法，其特征在于所述步骤(3‑b)中的噪声预测网络由编码器、中间层以及解码器组成；

所述编码器由三条分支和一个多条件聚合模块MAM组成；

分支1包括一个3×3卷积层和五个特征提取模块，每两个特征提取模块之间包括一个下采样层，其中，下采样层包括一个3×3卷积层；CT图、SDM图、PTV轮廓图以及OAR轮廓图组成的多通道输入图像首先经过3×3卷积层处理，之后依次经过五个特征提取模块，分别得到特征图 和XK且XK即为分支1的输出，其中，前四个特征提取模块由两个残差层组成，每个残差层包括两个组归一化层、两个Sigmoid线性单元、两个卷积层、一个自适应缩放偏置层、一个线性层以及一个残差连接，第五个特征提取模块由两组残差层‑多头自注意力层顺序堆叠而成，每组包括一个残差层和一个多头自注意力层；

分支3具有与分支1一样的结构，BF图像首先经过3×3卷积层处理，之后依次经过五个特征提取模块，分别得到特征图 和XQ，且XQ即为分支3的输出；

分支2包括一个3×3卷积层和五个特征提取模块，每两个特征提取模块之间包括一个逐像素相加操作和一个下采样层，五个特征提取模块以及下采样层的结构与分支1相同；模糊图像xt'经过3×3卷积层处理之后，依次经过五个特征提取模块，其中前四个特征提取模块生成的特征图分别与分支1和分支3中对应特征提取模块的输出特征图进行逐像素相加，依次得到特征图 和 最终经过第五个模块得到分支2的输出特征图XV；

将分支1、2、3分别得到的输出XK、XV、XQ一起输入多条件聚合模块MAM，得到编码器的输出特征图XE；

所述中间层由残差层1、多头自注意力层和残差层2顺序堆叠而成，其中残差层1和2的结构与编码器中的残差层一致；将编码器的输出特征图XE依次输入残差层1、多头自注意力层和残差层2，得到中间层的输出特征图XM；

所述解码器包括五个特征提取模块和一个3×3卷积层，每两个特征提取模块之间包括一个上采样层和一个非对称融合模块AFM，其中上采样层包含一个插值层和一个3×3卷积层，五个特征提取模块的结构与编码器中分支1的五个特征提取模块的结构相同；将中间层的输出特征图XM输入解码器第一个特征提取模块，其输出经过上采样层之后得到特征图D1，将D1和编码器分支2中得到的特征图 一起输入非对称融合模块AFMi，得到的输出依次输入第二个特征提取模块以及第二个上采样层，得到特征图D2，将D2和编码器分支2中得到的特征图 一起输入非对称融合模块AFM2，得到的输出依次输入第三个特征提取模块以及第三个上采样层，得到特征图D3，将D3和编码器分支2中得到的特征图 一起输入非对称融合模块AFM3，得到的输出依次输入第四个特征提取模块以及第四个上采样层，得到特征图D4，将D4和编码器分支2中得到的特征图 一起输入非对称融合模块AFM4，得到的输出依次经过第五个特征提取模块和3×3卷积层，得到噪声预测网络的预测噪声∈θ(xt',t,y)。

3.如权利要求2所述的一种基于扩散模型的肝脏肿瘤放疗剂量预测方法，其特征在于多条件聚合模块MAM包括数据切块与展平操作、位置编码嵌入操作、Transformer编码器、线性变换与重塑操作；其中展平操作包括一个线性层以及一个展开层，位置编码嵌入操作中的位置编码为随机初始化生成，可通过网络训练动态学习；将编码器中三条分支的输出特征图XQ、XK和XV分别经过切块与展平操作和位置编码嵌入操作之后得到特征图X'Q、X'K和X'V，将X'Q、X'K和X'V一起输入Transformer编码器，得到特征图X，特征图X经过线性变换与重塑操作得到MAM的输出特征图XE。

4.如权利要求2所述的一种基于扩散模型的肝脏肿瘤放疗剂量预测方法，其特征在于非对称融合模块AFM包含两条结构相同的通路，每个通路都包括一个3×3卷积层、一个实例归一化层和一个Sigmoid单元；将编码器中分支2得到的特征图 和解码器中得到的特征图D5‑i分别输入两条通路，其中i＝1、2、3、4，将经过两条通路处理后的特征图逐像素相加，并与D5‑i拼接得到非对称融合模块AFMi的输出特征图。