1.一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，获取待分割的脑CT图像，对获取的脑CT图像进行预处理；将处理好的图像输入到训练好的改进AU‑Net网络中进行图像识别分割，得到分割后的CT图像；根据分割后的脑CT图像识别脑出血区域；改进的混合注意力机制网络AU‑Net包括编码器、解码器以及跳跃连接部分；

所述编码器由重复的卷积层和池化层组成，用于提取输入图像的浅层特征和深层特征；

所述解码器由转置卷积层构成，用于恢复特征图的尺寸；

所述跳跃连接部分为残差八度卷积模块ROC和混合注意力机制模块组成。

2.根据权利要求1所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，对获取的脑CT图像进行预处理的过程包括：对数据进行去噪和增强处理，去噪增强处理的过程包括对图像进行先腐蚀后膨胀运算，得到增强图像。

3.根据权利要求1所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，残差八度卷积模块ROC的结构由三个权重层和一个残差连接层组成；权重层由OctConv‑BN‑ReLu三部分组成，通过设置αin，αout来得到不同频率分量的特征；采用权重层1对输入的特征图进行处理，得到输入特征图的高频分量和低频分量；权重层2采用OctConv网络进行特征提取；权重层3将高频信息和低频信息融合，得到融合后的特征；采用残差连接对各个权重层进行连接，进一步强化特征传播，提升网络性能；其中，OctConv表示八度卷积层，BN表示批量归一化层，ReLu表示激活函数层，αin表示输入通道低频比例，αout表示输出通道低频比例。

4.根据权利要求1所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，对模型进行训练的过程包括：

S1：获取原始脑部CT图像，并对图像进行预处理，得到训练数据集；

S2：将训练集中的图像数据输入到改进的AU‑Net网络进行处理；

S3：编码器的卷积层对输入的数据进行浅层特征提取，得到图像的浅层特征；

S4：跳跃连接部分的ROC结构将提取的浅层特征传递至混合注意力机制模块；

S5：混合注意力机制对目标区域特征和通道特征进行选择，并将选择后的特征传递至编码器的输出层；

S6：解码器的反卷积层将经过编码器多次卷积和下采样得到深层特征图进行特征图尺寸恢复；

S7：将编码器上采样后的特征与混合注意力机制输出的特征进行特征拼接，将拼接后的特征图传递至最后一个卷积层，得到最后的特征图；

S8：将最后的特征图与标签图像进行逐像素比对，得到误差；

S9：根据误差结果计算模型的损失函数，并将误差通过反向传播算法输入到模型，更新在网络提取特征时候的卷积核权重和各模块中的参数，当损失函数最小时，完成模型的训练。

5.根据权利要求4所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，采用混合注意力机制模块对位置注意特征矩阵和通道注意力特征矩阵进行组合的公式为：M＝EP+ET

其中，M表示混合注意力机制模块输出，EP表示位置注意力特征矩阵，ET表示通道注意力特征矩阵，EPj表示EP中的每一个位置加权注意力特征向量，ETj表示ET中的每一个通道加权注意力特征向量，α表示超参数权重，β表示超参数权重，H表示输入特征图的高度，W表示输入特征图的宽度，W表示输入特征图的特征通道数，Ai和Aj表示输入特征图中的每一个特征向量，B1i、C1j、D2i均表示经过特征重组后的特征矩阵。

6.根据权利要求4所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，残差八度卷积模块ROC处理图像的公式包括高频信息处理公式和低频信息处理公式；

高频信息处理公式为：

H H H→H L L→H

Y＝f(X；W )+upsample(f(X；W )，2)低频信息处理公式为：

L L L→L H H→L

Y＝f(X；W )+f(pool(X，2)；W )H H→H H

其中，f(X ；W )表示输入的高频分量和卷积核的高频信息相卷积，X 表输入的高频分H→H

量示，W 表示卷积核中高频到高频部分的信息更新，upsample(.，2)表示对输出进行步长L L→H

为2的平均池化，X 表示输入的低频分量，W 表示卷积核中低频分量到高频分量的信息更L→L H

新，W 表示卷积核中低频分量到低频分量的信息更新，pool(X，2)表示对输入进行步长为H→L

2的平均池化，W 表示卷积核中高频分量到低频分量的信息更新。

7.根据权利要求4所述的一种基于改进的AU‑Net网络的CT图像分割方法，其特征在于，改进的AU‑Net网络的损失函数的表达式为：其中，ypred表示像素的预测值，ytrue表示像素的真实标签值，pix表示逐像素遍历。