本发明涉及数据处理，具体涉及一种无监督伪ct对抗扩散模型构建方法、系统、介质及设备。
背景技术：
1、由于灰度hounsfield单位（hu）和解剖数据提供的组织电子密度信息，计算机断层扫描（ct）早已被确立为放射治疗（rt）的基本成像方式。然而，ct的一个主要缺点是软组织对比差，这导致肿瘤靶点和危险器官（oars）的描绘不精确，特别是在骨盆，肝脏和大脑，因此导致全球rt中心对专用磁共振成像（mri）扫描仪的需求日益增加。在临床实践中，ct图像是当前rt工作流程中不可或缺的一部分，尽管对计划ct和mr图像的需求增加了癌症患者的成本，并且需要额外的照射。应特别注意在规划过程中引入固有配准的准确性，这是由于不同成像方式扫描期间患者体位的不可避免的差异以及不同成像方式之间器官解剖位置的变化而引起的。
2、为了解决上述局限性，使用人工智能（ai）算法对hu值进行估计并从mri生成伪ct可能是一种潜在且有效的解决方案。从宏观上看，ct与mri的伪是一个风格转换的问题。近年来，随着生成框架中有前景的图像到图像翻译方案的快速发展，大量的研究集中在使用生成对抗网络（gan）或其变体来提高sct图像的质量。基于分割方法通过在mr图像中预划分组织类型并为每个分割结构分配均匀的体积密度来生成的。
3、然而，由于需要预先确定组织类型，这些方法受到限制，它们还严重依赖于器官分割的准确性，而不能解释每种结构的异质性。基于图谱方法受计算量大和形变图像配准精度的限制，在存在较大解剖变异时缺乏鲁棒性。基于序列方法已被证明会增加扫描时间、运动伪影和患者不适。基于深度学习生成方法，特别是基于gan的方法在医学图像生成领域引起了极大的关注。一旦估计出最佳深度学习参数，通过将新的mr图像输入训练模型，可以在几秒钟内轻松获得伪ct图像。然而，基于深度学习的模型仍然需要正确对齐和配对的数据集来进行训练，并且一些研究报告说，它们不能在转换过程中保留细节，且这些模型对mri-ct图像配准的要求很高，这在临床实践中通常是比较困难的。
技术实现思路
1、针对现有技术的不足，本发明的目的在于提供一种无监督伪ct对抗扩散模型构建方法、系统、介质及设备，旨在通过建立对抗扩散模型，更精准地探测和评估放疗误差，以提升放疗治疗剂量设定的客观性和精准性。
2、本发明的第一方面在于提供一种无监督伪ct对抗扩散模型构建方法，所述方法包括：
3、基于放疗计划系统、ct设备和mr设备获取训练样本，所述训练样本包括患者轮廓信息、ct图像数据和mr图像数据；
4、对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换和配准处理，得到三维张量形式且经过配对的ct训练样本与mr训练样本；
5、基于预先构建的对抗扩散模型，对所述ct训练样本与所述mr训练样本执行预设次数的训练过程，并保存训练后的所述对抗扩散模型的参数，得到用于治疗剂量预测的无监督伪ct对抗扩散模型。
6、根据上述技术方案的一方面，对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换和配准处理，得到三维张量形式且经过配对的ct训练样本与mr训练样本的步骤，包括：
7、对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换；
8、将经过张量转换的所述ct图像数据与所述mr图像数据线性归一化为预设分辨率，对所述ct图像数据与所述mr图像数据线进行刚性配准，得到三维张量形式且经过配对的ct训练样本与mr训练样本。
9、根据上述技术方案的一方面，对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换的过程表示为：
10、；
11、式中，表示输入训练样本数据的单个样本，为样本数，代表张量转换处理；
12、其中，所述预设分辨率为1mm×1mm×1mm。
13、根据上述技术方案的一方面，预先构建的对抗扩散模型包括基于源域条件映射器的扩散模块，用于提取原始mr图像的三维特征与逐步添加噪声后的噪声分布信息，以及用于三维特征对伪ct图像信息分布的回归拟合的非扩散模型。
14、根据上述技术方案的一方面，基于预先构建的对抗扩散模型，对所述ct训练样本与所述mr训练样本执行预设次数的训练过程，并保存训练后的所述对抗扩散模型的参数，得到用于治疗剂量预测的无监督伪ct对抗扩散模型的步骤，包括：
15、采用所述扩散模块提取原始mr图像中的三维特征，以及噪声分布信息，结合所述三维特征与所述噪声分布信息，采用图像预测模块对目标模态图像进行预估；
16、基于伪ct结果与真实ct结果的数据差异，计算最终损失，得到模型总损失；
17、根据所述模型总损失，采用反向传播算法更新所述对抗扩散模型的梯度，以得到用于治疗剂量预测的无监督伪ct对抗扩散模型。
18、根据上述技术方案的一方面，采用所述扩散模块提取原始mr图像中的三维特征，以及噪声分布信息，结合所述三维特征与所述噪声分布信息，采用图像预测模块对目标模态图像进行预估的步骤，包括：
19、在对目标模态图像进行预估时，使用两个对抗扩散过程，每个对抗扩散过程均与专用鉴别器进行配对；
20、在采用所述扩散过程进行逆向操作时，预设的条件生成器将产生目标图像的估计值。
21、本发明的第二方面在于提供一种无监督伪ct对抗扩散模型构建系统，所述系统包括：
22、训练样本获取模块，用于基于放疗计划系统、ct设备和mr设备获取训练样本，所述训练样本包括患者轮廓信息、ct图像数据和mr图像数据；
23、训练样本处理模块，用于对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换和配准处理，得到三维张量形式且经过配对的ct训练样本与mr训练样本；
24、模型构建模块，基于预先构建的对抗扩散模型，对所述ct训练样本与所述mr训练样本执行预设次数的训练过程，并保存训练后的所述对抗扩散模型的参数，得到用于治疗剂量预测的无监督伪ct对抗扩散模型。
25、根据上述技术方案的一方面，所述训练样本处理模块具体用于：
26、对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换；
27、将经过张量转换的所述ct图像数据与所述mr图像数据线性归一化为预设分辨率，对所述ct图像数据与所述mr图像数据线进行刚性配准，得到三维张量形式且经过配对的ct训练样本与mr训练样本。
28、本发明的第三方面在于提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述技术方案当中所述方法的步骤。
29、本发明的第四方面在于提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述技术方案当中所述方法的步骤。
30、与现有技术相比，采用本发明所示的无监督伪ct对抗扩散模型构建方法、系统、介质及设备，有益效果在于：
31、基于本发明所示的技术方案，利用人工智能技术训练ct对抗扩散模型，从而可以基于训练的模型实现更精准地探测和评估放疗误差，与传统的方法和医生经验判断相比，将会具有较强的客观性和精准性。此外，无监督对抗扩散模型中采用扩散与非扩散机制进行特征提取和处理，使得可以增强模型的表示能力和泛化能力，从而得到的预测结果更加精准有效。
1.一种无监督伪ct对抗扩散模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的无监督伪ct对抗扩散模型构建方法，其特征在于，对所述患者轮廓信息、ct图像数据和mr图像数据进行张量转换的过程表示为：
3.根据权利要求1所述的无监督伪ct对抗扩散模型构建方法，其特征在于，预先构建的对抗扩散模型包括基于源域条件映射器的扩散模块，用于提取原始mr图像的三维特征与逐步添加噪声后的噪声分布信息，以及用于三维特征对伪ct图像信息分布的回归拟合的非扩散模型。
4.根据权利要求3所述的无监督伪ct对抗扩散模型构建方法，其特征在于，基于预先构建的对抗扩散模型，对所述ct训练样本与所述mr训练样本执行预设次数的训练过程，并保存训练后的所述对抗扩散模型的参数，得到用于治疗剂量预测的无监督伪ct对抗扩散模型的步骤，包括：
5.根据权利要求4所述的无监督伪ct对抗扩散模型构建方法，其特征在于，采用所述扩散模块提取原始mr图像中的三维特征，以及噪声分布信息，结合所述三维特征与所述噪声分布信息，采用图像预测模块对目标模态图像进行预估的步骤，包括：
6.一种无监督伪ct对抗扩散模型构建系统，其特征在于，应用于权利要求1-5任一项所述的方法，所述系统包括：
7.根据权利要求6所述的无监督伪ct对抗扩散模型构建系统，其特征在于，所述训练样本处理模块具体用于：
8.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任意一项所述方法的步骤。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-5中任意一项所述方法的步骤。
