1.一种用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，包括如下方法步骤：S1、输入低剂量脑部PET图像，所述脑部PET图像由体素点的集合构成；

S2、体素点聚类生成简化高斯模型 ；

其中，i为索引值；

基于简化高斯模型，对高斯椭球模型进行重采样，最终构建脑部PET图像的高斯分布模型 ；

S3、UNet模型接收脑部PET图像作为输入，以对脑部PET图像的外轮廓进行提取和分割；

S4、基于VQ‑VAE自编码器和Stable Diffusion模型重构出3D高斯分布模型 ；

S4.1、使用VQ‑VAE自编码器对低剂量脑PET图像的稀疏点云数据进行高效编码与量化，其中：编码阶段，对预处理后的高斯分布模型 使用由稀疏转置卷积构成的编码器E，提取高维特征表示 ；

量化阶段，将 输入矢量量化层，得到嵌入空间的量化表示 quantize ，量化后的表示 具有高压缩率，并保留了低剂量图像的重要特征；

通过Stable Diffusion模型之后，进入解码阶段，去噪后的潜在样本 输入到解码器D，重构出新的3D高斯分布模型 ：；

S5、通过计算光线与体素点数据交互时的衰减特性，将3D高斯分布模型 渲染为3D图像。

2.根据权利要求1所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述体素点包括空间位置坐标 、法向量 和信号强度 ；

初始化时，法向量 是从体素点的信号梯度方向推导得到的，用以描述体素点在脑部PET图像中局部结构的方向特征，定义如下：；

式中， 为体素点的信号强度 的梯度； 为梯度的模长。

3.根据权利要求2所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述S2中体素点聚类生成简化高斯模型 的步骤如下：S2.1、将体素点集合 中的所有体素点初始化为未分配索引状态；

S2.2、从未分配索引的体素点中随机选择一个点 ，赋予其索引值i，并将其压入堆栈；

初始化堆栈为 ；

S2.3、依次从堆栈中弹出栈顶点 作为当前处理点，并对其邻域点集合进行遍历；对于每个邻域点 ，如果同时满足以下条件，则将该点赋予当前索引值i并压入堆栈以继续扩散：邻域点未被索引；

邻域点的法向量 与当前点的法向量 的投影位于Gaussian球的同一三角形中；

邻域点的法向量欧氏距离满足：

；

其中， 为Gaussian球细分层次为 时的最大边长；

；

S2.4、当堆栈为空时，当前种子点的索引扩散过程完成；

如果仍有未分配索引的体素点，则选择新的种子点赋予新的索引值 ，重复S2.1‑S2.4。

4.根据权利要求3所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述S2.3中引入约束条件，约束条件包括：对于两个相邻体素点的法向量投影恰好位于Gaussian球上的三角形两个顶点，将增加法向量的距离约束，使两个相邻体素点属于不同的聚类。

5.根据权利要求2所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述S3中的UNet模型为预训练模型，其通过在大量标注数据集上的学习，建立了对多尺度特征的深度表征能力，用于识别脑部PET图像中的关键空间模式和边界特征；

UNet模型逐层提取特征并通过跳跃连接融合多尺度信息；

UNet模型输出的二值化图像清晰标示出目标脑部外轮廓的边界 ，用于后续的三维重建和形态分析。

6.根据权利要求1所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述S4还包括步骤如下：S4.2、使用Stable Diffusion模型对量化后的嵌入表示 进行扩散和去噪；

在扩散阶段，逐步向 添加高斯噪声 ，使数据分布逐渐接近标准高斯分布，生成噪声样本：；

其中， 和 是噪声控制系数； 表示 服从标准正态分布；t表示时间步；

在去噪过程中，通过去噪网络 ，对噪声样本 进行反向扩散去噪，生成新的潜在空间样本 ：；

S4.3、Stable Diffusion模型通过最小化预测噪声与真实噪声的均方误差进行训练得到：；

其中，表示损失函数； 表示对随机变量 的数学期望。

7.根据权利要求5所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，所述S5中衰减特性的计算步骤如下：S5.1、光线的强度 按照Lambert‑Beer定律定义为：；

其中，R代表光线的路径，用于计算光线在介质中的衰减程度；为光线的初始强度；为光线经过的体素点总数； 为第i个体素点的衰减系数，定义为： ； 为光线穿过第i个体素点的距离，取决于空间位置坐标 ；

S5.2、通过多个视角投影计算射线衰减效果，生成符合边界条件的高精度3D图像 ；

每个体素点的损失定义为：

；

其中， 为高剂量脑部PET图像中对应体素点的参考信号强度； 为高剂量脑部PET图像中对应体素点的方向向量； 为方向误差的权重，用于控制方向信息在总损失中的影响； 代表每个体素点的损失函数；I代表体素点的集合。

8.根据权利要求7所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，将边界轮廓 作为边界条件输入；

对每个体素点，检查其是否位于边界条件内；

其中，定义 ，通过最近邻搜索，找到体素点的最近边界点 ，计算二者之间的距离：；

当距离超过严重偏离边界，直接将其移除。

9.根据权利要求4所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，将未完成聚类的体素点标记为孤立点，并赋予特殊索引值，最终输出包括多个聚类集合：；

以及孤立点集合：

；

对于孤立点集合 ，首先搜索其相邻聚类集合 ，其中包含 个不同的聚类，每个聚类用 表示，并以聚类内体素点法向量的加权平均表示相邻聚类的法向量：；

其中，为某个具体的相邻聚类； 为权重系数； 为体素点p的法向量； 为聚类 的法向量；

接着，根据孤立点法向量 与相邻聚类法向量之间的欧氏距离定义匹配得分：；

并将孤立点合并至得分最小的聚类 ，其中：；

目标聚类 的法向量随之更新为：

；

其中， 为孤立点的权值，对于未找到相邻聚类的孤立点，将其归入特殊处理集合。

10.根据权利要求4所述的用于低剂量PET图像处理的3D高斯模型生成和渲染方法，其特征在于，对于聚类中存在的非正则聚类，首先计算聚类 的中心点 和协方差矩阵：；

通过协方差矩阵的特征值分解，利用两个最大特征值计算聚类的正则性程度 ；

将聚类 沿最大特征值对应的主轴分裂为两个子聚类，分裂平面通过聚类中心点且垂直于该主轴；

在聚类优化后，对每个聚类采用误差度量函数来确定其代表体素点，体素点 的总体误差度量函数定义为：；

其中， 表示针对点 计算的误差度量函数；r是位置；n是法向量；e是强度；为矩阵转置；

进一步展开为：

；

其中，权值 定义为：

；

其中，h是控制距离衰减速度的重要参数；

误差度量函数的梯度为：

；

其中， 表示误差度量函数对法向量n的梯度；

通过对误差度量函数的极小化，得出聚类代表体素点的法向量，和强度值e，其中：；

聚类代表体素点的位置 为聚类中所有体素点的加权中心：。