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机制模块，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。

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、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中三维对偶注意力机制模块包括，将主干通路与三维对偶通路进行耦合处理，通过三维对偶通路获取主路径的互补信息；当主干通路对感兴趣区域特别是小尺度的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，步骤S103中，级联分割网络包括两级，第一级为粗分割网络，第二季为细分割网络。

5.如权利要求4所述的级联分割方法，其特征在于，步骤S103中，三维对偶注意力机制模块驱动的CT图像肾脏感兴趣区域级联分割网络包括，三维对偶注意力驱动的3D编解码网络；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。

6.如权利要求5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。

7.如权利要求6所述的级联分割方法，其特征在于，在编码器与解码器建立跳层连接，将细节信息传递至同尺度的解码层；将DAM模块输出的特征与解码器特征按通道串接后，通过CDRn操作处理后调整通道数，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。

8.如权利要求6所述的级联分割方法，其特征在于，在粗分割网络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，为第二级网络提供准确的上下文信息。

9.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。