1.一种基于类别均衡小样本学习的新冠肺炎感染区域分割方法，其特征在于，所述方法包括以下步骤：步骤1：多类病变标注数据集的采集与制作；

步骤2：将采集的数据集进行分析处理，将其进行统一的预处理操作，包括提取肺部区域、窗宽窗位的调整、裁剪、翻转以及图像尺寸大小的归一化处理；

步骤3：对预处理后的图像按照设定的比例进行划分，分为有标注信息的训练集和需迭代的无标注的验证集；

步骤4：训练多类模型，将训练集通过网络模型进行有监督训练多类病变分割模型，针对这里的新冠肺炎数据的标签进行两类病变分割模型，增加类别均衡机制，计算各类别像素占比，增加对应权重；

步骤5：预测未标注数据，加载训练好的UNet模型参数，对无标注验证集进行预测，得到预测概率；

步骤6：概率判别，通过预测概率筛选高置信度样本，得到伪标签数据；

步骤7：迭代，使用有标记训练集和伪标记验证集用UNet训练新模型，直到新模型效果不再提升；

步骤8：图像预处理，对上述迭代模块的两类别病变分割结果进行处理分成两个数据集，即GGO数据集和Consolidation数据集，按照设定的比例再进行划分，分为训练集和验证集；；

步骤9：训练单类模型，将GGO训练集和Consolidation训练集通过UNet分别进行训练，其中增加类别均衡，计算各类别像素占比，增加对应权重，得到分割模型M1，M2；

步骤10：概率预测，使用模型M1对GGO验证集进行预测，得到GGO分割结果，使用模型M2对Consolidation验证集进行预测，得到Consolidation分割结果；

步骤11：接收图像，接收上述两类病变分别再训练模块的分割结果，即GGO分割结果和Consolidation分割结果；

步骤12：融合图像，将两类病变结果融合成一类，得到最终的分割结果。

2.如权利要求1所述的基于类别均衡小样本学习的新冠肺炎感染区域分割方法，其特征在于，所述步骤4中，将训练集通过UNet进行有监督训练两类病变分割模型GGO和Consolidation，因为数据中Consolidation样本数量较少，且存在小分辨率的情况，因此针对这种类别不均衡现象，分别用交叉熵损失函数计算损失得到GGO损失Lggo，Consolidation损失Lcon和背景损失Lbg其中：M为类别的数量；yic为变量，如果该类别和样本i的类别相同就是1，否则是0；pic对于观测样本i属于类别c的预测概率，再增加类别均衡，分别计算各类别像素占比，得到GGO占比为α，得到Consolidation占比为β，得到背景占比为1-α-β，分别通过公式weight＝1/(C*P)                      (2)其中C为类别数，P为该类别占比，计算后得到GGO权重weightggo，Consolidation权重weightcon，背景权重weightbg，最后对各类别的损失分别增加对应权重；

Loss＝weightggo*Lggo+weightcon*Lcon+weightbg*Lbg         (3)。