主权项：
1.一种基于神经网络模型的放疗图像信息的融合方法，其特征在于：包括如下步骤： 步骤1：肿瘤靶区获取单元获取肿瘤靶区的位置信息； 步骤2：膀胱体积计算单元获取患者放疗计划制定时的MR图像和即将开始放疗时的MR图像，得到膀胱的膨胀信息； 步骤3：排尿监测单元基于肿瘤靶区和膀胱的位置关系得到膀胱对肿瘤靶区的影响信息； 步骤4：排尿监测单元基于孪生网络模型计算影响信息和膨胀信息的相似度，得到与排尿相关的融合信息； 步骤2包括如下步骤： 步骤21：获取患者放疗计划制定时的MR图像信息和即将开始放疗时的MR图像信息，其中，放疗计划制定时的MR图像信息为第一图像信息，即将开始放疗时的MR图像信息为第二图像信息； 步骤22：将第一图像信息和第二图像信息分别划分为m个MR断层图片，得到第一图像组A和第二图像组B； A={a1、a2、…ai…am}；B={b1、b2、…bi…bm}；其中，a1表示第一图像组A中的第1张MR断层图片，a2表示第一图像组A中的第2张MR断层图片，ai表示第一图像组A中的第i张MR断层图片，am表示第一图像组A中的第m张MR断层图片，b1表示第二图像组B中的第1张MR断层图片，b2表示第二图像组B中的第2张MR断层图片，bi表示第二图像组B中的第i张MR断层图片，bm表示第二图像组B中的第m张MR断层图片，i为第一图像组和第二图像组中断层图片的索引，m为第一图像组或第二图像组中的断层图片的数量；第一图像组和第二图像组中每张图片按照顺序一一对应； 步骤23：计算第一图像组和第二图像组中每张断层图片的膀胱的面积差值，并根据断层图片的对应层厚，得到膀胱在各个方向的膨胀信息； 步骤22中：根据第一图像信息和第二图像信息中膀胱的面积的增长率k计算MR断层图片的层厚d，α/2k≤d≤α/k；其中，α为层厚系数，为预先设置，k为第一图像信息和第二图像信息中膀胱面积的变化率； 步骤23包括如下步骤： 步骤231：将a（m/2）中膀胱的中心点作为极点P0；a（m/2）表示第一图像组中位于中第m/2张断层图片； 预先配置u个扇形的方向区域；u＞8；每个扇形的方向区域的扇形角度相等； 步骤232：将第一图像组和第二图像组中的每张MR断层图片按照对应关系进行配对，得到m个图像对； 步骤233：依次计算每个图像对中膀胱在各方向区域的体积差值Vi,n；； 其中，Vi,n表示第i个图像对在第n个方向区域上的体积差值，n表示方向区域的索引，表示ai中在第n个方向区域上膀胱的面积，表示bi中在第n个方向区域上膀胱的面积，di表示第i对图像对的图片的层厚； 步骤234：依据每个图像对中膀胱在各方向区域的体积差值Vi,n，得到膀胱的膨胀信息VAB， ； 步骤3包括如下步骤： 步骤31：以极点P0为原点，建立空间直角坐标系，获取患者的放疗计划，得到肿瘤靶区的中心点的位置信息Pq（xq，yq，zq），xq、yq、zq分别为点Pq的横坐标、纵坐标，以及高度坐标； 步骤32：将bi中膀胱边界在各方向区域的中心点记作为Pi,n（xi,n，yi,n，zi,n），xi,n，yi,n，zi,n分别表示Pi,n的横坐标、纵坐标，以及高度坐标； 步骤33：计算bi中各方向区域对于膀胱的影响分数Ri,n，；其中，f为预先设置的转换系数，为点Pq至点Pi,n的向量表示，为点Pi,n至极点P0的向量表示； 步骤34：将第二图像组B中所有的影响分数Ri,n汇总得到膀胱对肿瘤靶区的影响信息Y； ，其中，R1,1为b1中第1个方向区域的影响分数，R1,u为b1中第u个方向的影响分数，Rm,1为bm中第1个方向的影响分数，Rm,u为bm中第u个方向的影响分数； 步骤4包括：膀胱对肿瘤靶区的影响信息Y和膀胱的膨胀信息VAB输入至孪生网络模型，得到膀胱对肿瘤靶区的影响信息Y和膀胱的膨胀信息VAB的相似度h，将相似度h作为融合信息。
