1.一种基于对偶注意力机制的CT肾脏区域级联分割方法，其特征在于，包括如下步骤：

S101、对原始CT图片进行预处理操作，获得训练数据集；

S102、设计三维对偶注意力模块，充分提取完备的特征信息；

S103、构建三维对偶注意力模块驱动的CT图像肾脏感兴趣区域级联分割网络；

S104、设计级联分割网络的损失函数，并学习网络参数；

S105、将S101得到的训练数据下采样一倍作为输入，送入S103的级联分割网络的第一级粗分割网络；把第一级粗分割网络的结果上采样一倍，与原始输入的训练数据融合后送入第二级细分割网络学习，并获得最终分割结果；

其中，S102中，在主干通路的基础上引入三维对偶通路，通过三维对偶通路获取主路径H×W×D×C

的互补信息；三维对偶注意力模块的原始输入为U∈R ，其中H，W，D分别代表特征的三维空间对应尺寸，C代表特征的通道数，Uc表示第c通道的三维特征；三维对偶注意力模块首先去执行投影操作Fpr(U)，分别对各个通道特征Uc进行处理，即沿着三个不同的空间维度分别进行全局平均池化操作；将C个通道特征在三个不同的空间维度投影后的向量组和为特征矩阵；并经维度拓展后，求和得到三维对偶注意力模块投影操作的输出Z；主干通路首先对投影特征Z进行两次卷积操作，并分别用Relu和sigmoid作为激活函数，激活操作后的注意力 和注意力模块的输入特征U进行点乘操作，产生新的特征图 三维对偶通路对投影特征Z进行sigmoid激活函数，然后进行取1减取反操作，并经卷积处理后获得三维对偶通路的注意力特征 并与特征U进行点乘，获得三维对偶特征 两个通路的特征求和后作为三维对偶注意力模块的最终输出S103中，把S102设计的三维对偶注意力进搭载到金字塔式的双尺度注意力驱动的CT图像肾脏肿瘤级联分割网络；级联分割网络包括两级，第一级为粗分割网络，第二级为细分割网络；三维对偶注意力驱动的3D编解码网络作为级联分割网络的基本结构；该3D编解码网络包括编码器与解码器两个部分，编码器部分通过下采样操作形成多尺度的特征表达，解码器部分通过多次上采样操作将特征分辨率提升到原CT图像的分辨率，进而实现像素级的语义分割；在编码器与解码器建立跳层连接，将图像信息传递至同尺度的解码层；三维对偶注意力模块部署于跳层连接中；在粗分割网路中采用跨尺度特征融合模块，将编码器的最低分辨率的高级语义特征和最顶层的高分辨低级语义特征图进行融合。

2.如权利要求1所述的级联分割方法，其特征在于，步骤S101中的预处理操作包括对原始CT图像灰度窗调节、格式转换和图像增强。

3.如权利要求1所述的级联分割方法，其特征在于，步骤S102中当主干通路对感兴趣区域存在漏检时，三维对偶通路通过取反操作，提取特征图中的互补信息。

4.如权利要求1所述的级联分割方法，其特征在于，编码器中每个分辨率尺度特征处理的基本模式为：特征下采样后输入残差模块进行卷积处理，在残差模块中对输入的特征进行三次3×3×3卷积处理，并通过残差连接和残差模块输入相加后作为输出。

5.如权利要求4所述的级联分割方法，其特征在于，将三维对偶注意力模块输出的特征与解码器特征按通道串接后，通过输入特征进行n个3×3×3卷积处理后将特征通道数调整至n通道，并与残差连接传递的解码器特征进行求和融合，生成最终的语义分割结果。

6.如权利要求1所述的级联分割方法，其特征在于，步骤S104具体包括，选择Dice损失函数作为损失函数，级联分割网络中每一级网络都由Dice损失函数来优化。