1.一种面向医学图像超像素灰度纹理采样特征的图注意力网络分割方法，其特征在于：所述方法包括如下步骤：步骤一：将医学图像I的各个像素点表示为一个四维向量pxy＝[l,e,x,y]，把CT像素值l、边缘强度值e和像素空间坐标(x,y)分别进行归一化映射到区间[0,1]，e使用Canny算法未经非极大值抑制时的结果，设定医学图像的超像素目标数目K，用基于边缘概率的超像素生成算法将医学图像I划分为K个超像素；

步骤二：提取超像素灰度采样特征与纹理特征，对任一超像素Sk内各像素点的灰度值进行降序排序，并对其进行均匀采样，将Sk划分为m份，每份含||Sk||/m个像素点，||Sk||为超像素Sk内像素点的数目，并提取超像素区域灰度共生矩阵GLCM在[0,π/4,π/2,3π/4]四个方向上特征，其中每个方向上计算5个能代表区域纹理的特征，将超像素Sk转化为灰度纹理特征表示：Sk＝(g1,...,gi,…,gm,con,cor,dis,hmg,eng)，

其中gi为超像素Sk第i份内各像素点的灰度平均值，con、cor、dis、hmg、eng分别为GLCM在四个方向上的对比度、互相关系数、相异度、同质性和能量；

步骤三：根据超像素的邻接关系，构建出超像素节点图，用图G＝(V,E)表示，V和E分别为由超像素特征构成的节点集和超像素邻接关系构成的边集；

步骤四：为超像素节点图G的每个超像素Sk分配真值标签，如果Sk和真值前景的交集与超像素面积相比大于阈值，则将Sk的标签置为1，反之则将Sk的标签置为0，其中阈值不小于

0.5；

步骤五：将有标签的超像素节点图G输入多头的图注意力网络进行训练，直到损失函数Loss收敛或达到最大迭代步数，其中图注意力模块采用L层，L>2，设置中间层为k1个注意力头、输出层为k2个注意力头，其中k1

步骤六：将待分割的医学图像输入训练好的基于超像素灰度采样特征的多头图注意力网络，实现超像素节点的分类，得到医学图像分割结果。