1.一种基于先验形状约束的BCA‑UNet肝脏分割方法，其特在于，包括以下步骤：输入肝脏CT图像，对肝脏CT图像进行预处理，得到预处理后的肝脏CT图像，将预处理后的肝脏CT图像输入训练好的边缘敏感特征融合的肝脏分割模型中，得到肝脏分割结果；

所述边缘敏感特征融合的肝脏分割模型包括主分割网络和先验形状约束网络，其中主分割网络采用基于双向卷积长短期记忆模块的神经网络BCA‑UNet，主分割网络中包括7个卷积层、3个池化层和3个双向卷积长短期记忆模块；先验形状约束网络采用基于自编码的神经网络，先验形状约束网络包括4个卷积块，4个反卷积块；所述边缘敏感特征融合的肝脏分割模型先训练后使用，训练过程包括：S1、利用Xavier方法初始化BCA‑UNet网络；

S2、将预处理后的肝脏CT图像输入肝脏分割模型中，在主分割网络中经过7个卷积层和

3个池化层进行特征提取，最终得到肝脏序列数据的第一高维特征；在先验形状约束网络中抽取肝脏CT图像的形状信息，提取第二高维特征；

S3、将主分割网络提取的第一高维特征与先验形状约束网络提取的第二高维特征进行融合，得到融合结果，即特征图；

S4、将特征图输入到主分割网络中进行肝脏分割网络的参数训练，具体地，将第一高维特征输入一个分支经过3个双向卷积长短期记忆模块，得到第一预测结果pred1；将特征图输入另一个分支经过3个融合了注意力机制的双向卷积长短期记忆模块，得到第二预测结果pred2；

S5、根据第一预测结果pred1、第二预测结果pred2和标签图像Gb分别计算混合损失函数Lsegloss；

Lsegloss＝α*LDiceLoss+β*LBCE其中，Lsegloss表示输入肝脏CT图像进行分割的混合损失函数，α为第一权重参数，用于权衡第一预测结果与标签图像的损失，β为第二权重参数，用于权衡第二预测结果与标签图像的像素值损失，优选取值为α＝0.3，β＝0.7，LDiceLoss表示dice分割指标损失函数，LBCE表示二分类交叉熵损失函数，pred1表示第一预测结果，pred2表示第二预测结果，Gb表示标签图像，N表示图像像素最大值，ai表示属于第二预测结果pred2中对应像素点i的像素值，bi表示图像Gb中对应像素点i的像素值，i的取值范围[1,N]；

S6、基于混合损失函数Lsegloss，利用Adam优化器更新肝脏分割模型的权重，多次迭代后保存肝脏分割模型的最优权重为Wi，i＝1,...,N’，得到训练好的肝脏分割模型；具体包括：S61、计算总损失Lsegloss+LACL，得到误差；

S62、利用Adam优化器更新肝脏分割模型的权重，具体包括：S621、计算t时间步的梯度gt： 表示求梯度下降的最小值，J(·)表示Lsegloss+LACL；

S622、计算梯度的指数移动平均数，m0初始化为0，β1为第一指数衰减率，默认为0.9，控制权重分配，公式表示为：mt＝β1mt‑1+(1‑β1)gt，其中，mt表示t时间步的梯度的指数移动均值，mt‑1表示t‑1时间步的梯度的指数移动均值；

S623、计算梯度平方的指数移动平均数，v0初始化为0，β2为第二指数衰减率，默认为

0.999，控制之前的梯度平方的影响情况，公式表示为： 其中，vt表示t时间步的梯度平方的指数移动平均数，vt‑1表示t‑1时间步的梯度平方的指数移动平均数；

S624、对梯度均值进行偏差纠正，纠正公式为：S625、更新参数，即 lr为学习率；

S63、计算参数

S64、多次迭代进行上述的参数优化过程，当网络收敛到使得总损失Lsegloss+LACL达到最小，或者迭代次数达到最大迭代次数为Epoch时，停止迭代过程，完成参数优化，保存肝脏分割模型的最优权重为Wi，i＝1,...,N’；

上述LACL约束函数的表达式如下：

min(LACL(A',B'))

其中，LACL表示改进的主动轮廓损失函数，A'表示BCA‑UNet网络输出的高维特征图像，B'表示Shape‑Net网络输出的形状特征图像；其中，Boundary表示肝脏图像边缘长度的最小值，Region表示图像区域边缘轮廓面积的最小值，Euclidean表示BCA‑UNet网络输出的高维特征图像与Shape‑Net网络输出的形状特征图像的距离大小，参数λ用于权衡肝脏边缘轮廓与Shape‑Net网络输出的形状特征图像的吻合程度，参数μ用于指导肝脏轮廓区域与Shape‑Net网络输出的形状特征图像轮廓区域的匹配度；Ω为高维特征图像的图像域，i,j表示该图像域中的坐标点， 中的x表示水平方向， 中的y表示垂直方向，参数∈取值1e‑8；

表示BCA‑Unet网络输出的高维特征图像靠边缘内部一侧轮廓的面积，其中C1表示边缘内部像素平均值， 表示BCA‑UNet网络输出的高维特征图像靠边缘外部一侧轮廓的面积，其中C2表示边缘外部像素平均值，C1＝1，C2＝0，A'i表示BCA‑UNet网络输出的高维特征图像像素值，B'i表示Shape‑Net网络输出的形状特征图像像素值。

2.根据权利要求1所述的一种基于先验形状约束的BCA‑UNet肝脏分割方法，其特在于，所述预处理包括：

S01、使用HU值对灰度值进行调整变换去除不相关组织；

S02、使用MIN_MAX Scaling对肝脏CT图像进行归一化，归一化公式为：其中，X是像素值，Xmax，Xmin分别是肝脏CT图像像素值的最大值与最小值；

S03、对输入肝脏CT图像进行数据增广。

3.根据权利要求1所述的一种基于先验形状约束的BCA‑UNet肝脏分割方法，其特在于，BCA‑UNet包括两个分支：BC‑Unet分支和BCA‑UNet分支，其中，BC‑Unet分支表示没有经过注意力机制处理的双向卷积长短期记忆网络分支，BCA‑UNet分支表示经过注意力机制处理的双向卷积长短期记忆网络分支。

4.根据权利要求1所述的一种基于先验形状约束的BCA‑UNet肝脏分割方法，其特在于，肝脏分割模型预测肝脏分割结果的计算表达式为：其中，Y表示预测的肝脏分割结果，n为测试图像的数量，Ti表示肝脏测试图像。