1.一种基于双向复注意力深度网络的肾脏CT图像分割方法，其特征在于：包括以下步骤：

(1)采集腹部CT图像切片扫描序列，构建相应的切片数据集；通过标注软件对CT图像切片的肾脏区域进行标注，生成对应的标签；所述腹部CT图像切片扫描的样本数目≥100例；

所述标注软件为Labelme；

(2)将CT图像切片分层处理，并对CT图像中标签进行预处理，将预处理的结果与标签按比例划分为训练集及测试集；所述预处理包括简单缩放、逐样本均值消减、特征标准化、调整窗位、窗宽值；所述图像分层处理为将图片输入VGG‑16中进行处理；所述训练集与测试集的比例为3:1；

(3)构建双向复注意力机制分割网络模型，并选择损失函数；所述双向复注意力机制分割网络模型包括双注意力机制模块和特征双向传递模块；所述损失函数为Dice系数差异函数Dice Loss：其中，|X∩Y|示X与Y之间的交集；|X|和|Y|分别表示X和Y的元素个数，分母中重复计算了X和Y之间的元素，故分子系数为2；

(4)利用训练集训练预设好相关超参数的双向复注意力机制分割网络参数；将训练集的CT图像切片输入VGG‑16网络中，并将VGG‑16分为五个层，每层都有侧输出结构；利用VGG‑

16提取特征，将特征输入到特征双向传递模块中；同时将VGG‑16的第五个层的信息输入到双注意力机制模块中；通过双注意力机制模块中空间注意力机制和通道注意力机制分别对特征信息加权并相加融合，获取分割的特征信息；最后将双向模块侧输出的特征信息和双注意力机制的特征信息融合成一张特征图，再经过Sigmoid函数以后获得预测图；

(5)利用测试集测试，将参数输入已经训练好的双向复注意力机制分割模型后分割CT图像切片中需要的肾脏区域，并生成分割后的二值化掩码图。