1.一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，包括如下具体步骤：

S101，采集腹部CT扫描中包含肾脏的图像，取出包含肾脏或肿瘤的切片图像构成图像序列，利用标注软件对每个切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，构建数据集Dataset；

S102，对Dataset进行P1预处理，P1预处理后的Dataset划分为M1训练集和M1测试集，对构建的三维全卷积网络3DUnet进行训练及测试，得到肾脏分割的深度网络模型M1；

S103，对Dataset进行P2预处理，P2预处理后的划分Dataset为M2训练集和M2测试集，对构建的三维门控残差全卷积网络进行训练及测试，得到肿瘤分割的深度网络分割模型M2；

S104，将待分割图像序列进行P1预处理后，利用M1分割出肾脏区域，并将分割结果进行拼接；对拼接后的分割结果进行裁剪，取出只有肾脏或肿瘤的体素，进行P2预处理后，利用M2分割出肿瘤区域；

S102中对Dataset进行P1预处理，具体包括：将Dataset中所有切片图像及其对应的标注掩码插值成相同分辨率体素间距；对插值后的每个切片图像及其对应的标注掩码进行随机裁剪，获取体素小块，并对体素小块进行归一化处理；插值后的分辨率低于插值前；

S103中对Dataset进行P2预处理，具体包括：将Dataset中所有切片图像及其对应的标注掩码插值成相同的分辨率体素间距，对插值后的标注掩码利用边缘检测获取肿瘤边界，对插值后的每个切片图像及其对应的标注掩码和肿瘤边界进行随机裁剪，获取体素小块，并对体素小块进行归一化处理；插值后的分辨率高于插值前；

三维门控残差全卷积网络包括主干网络和肿瘤形状分支网络；主干网络为3DUnet，肿瘤形状分支网络包括三级级联的门控卷积层。

2.如权利要求1所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，S101中利用ITK‑SNAP医学图像标注软件对切片图像中的肾脏及肿瘤进行标注，生成对应的标注掩码，由切片图像及其对应的标注掩码构成Dataset。

3.如权利要求1所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，依据体素小块的尺寸构建3DUnet，用于获得肾脏区域的分割掩码。

4.如权利要求1所述的一种基于级联门控3DUnet模型的CT图像肾脏肿瘤分割方法，其特征在于，依据体素小块的尺寸构建三维门控残差全卷积网络，主干网络中的编码器和解码器对应相同分辨率的特征图之间进行跳跃连接；肿瘤形状分支网络还包括3x3x3卷积层、三线性插值和1x1x1卷积层，解码器的第一级反卷积层的输出经过1x1x1卷积层、3x3x3卷积层、三线性插值后作为第一级门控卷积层的输入，解码器的第二级反卷积层的输出经过

1x1x1卷积层作后作为第一级门控卷积层的输入，第一级门控卷积层的输出经过3x3x3卷积层、三线性插值后作为第二级门控卷积层的输入，解码器的第三级反卷积层的输出经过

1x1x1卷积层后作为第二级门控卷积层的输入，第二级门控卷积层的输出经过3x3x3卷积层、三线性插值后作为第三级门控卷积层的输入，解码器的第四级反卷积层的输出经过

1x1x1卷积层后作为第三级门控卷积层的输入，第三级门控卷积层的输出经过1x1x1卷积层后与解码器的输出一起作为一个全连接层的输入，全连接层的输出依次经过1x1x1卷积层和一个Softmax分类器后输出概率图谱；第三级门控卷积层的输出经过1x1x1卷积层后作为sigmoid函数的输入，sigmoid函数输出最终预测掩码。