1.一种新冠肺炎病灶区域分割模型训练的方法，其特征在于，该方法包含下列步骤：准备新冠肺炎患者的数据集，包括标注病灶区域的原始数据集和对应的病灶区域分割标签，将原始数据集标为1类，由于原始数据集病灶区域与非病灶区域边界模糊，噪声大，因此对原始数据集进行两步去噪处理，通过初去噪提高病灶区域的分辨率，深去噪丰富病灶区域边缘和纹理，将去噪后的数据集标为2类，对2类数据集中病灶区域进行灰度值归一化，这样有利于保留病灶区域的有效特征，减少冗余信息，将归一化后的数据集标为3类；之后对1，

2，3类数据集进行数据扩充，提高数据量，为后续网络训练提高充足的样本的同时丰富样本类型提高训练模型鲁棒性，具体使用生成对抗网络实现数据扩充，该网络包含一个生成器网络，一个判别器网络，该网络可以生成新的数据并在边缘纹理上有更好的表现效果，将生成的数据标为4类，之后完整的数据集包含1，2，3，4类不同类型的数据集，将数据以及对应的分割标签输入到训练分割模型，分割模型通过卷积操作来特征提取，反卷积操作完成图像还原，通过跳跃连接通道堆叠特征图像实现病灶区域的精确分割，提出在特征提取之后加入注意力机制模块，该模块通过计算特征图像通道之间的依赖性，获取逐个通道的权值来进一步提高对重点区域的关注，通过迭代更新训练模型的损失函数，完成整个模型的训练，损失函数最低时，模型训练效果最好，模型训练完成，此时使用该损失权值替换网络初始权重，将数据输入可以得到对应的新冠病灶区域分割数据。

2.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，上述的两步去噪方法由于新冠肺炎数据集分辨率低，存在部分噪声，因此使用高斯滤波对整个数据进行初去噪，之后使用三维块匹配方法进一步去噪，该方法通过使用三维块对病灶区域和其他区域进行扫描，首先在数据图像中设定病灶中心区域为参考块，大小为8×8，步长设定为3个像素，通过计算参考块之间的距离，之后堆叠成一个三维数组，使用三维压缩变换系数实现三维到二维的转化，重复操作以后，整个图像区域特征最后由加权平均值表现，至此，数据集的噪声得到进一步去除。

3.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，所述的归一化方法使用平均归一化方法，计算1，2类数据集的平均灰度值范围，将所有图像在此灰度范围进行平均归一化处理，用于保留最佳信息，减少冗余信息干扰。

4.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，所述使用的生成对抗网络中的生成器网络结构包括编码器‑解码器结构，将1，2，3类样本数据集输入生成器网络，通过网络中卷积核大小大3的卷积操作，大小为2的池化操作，跳跃连接操作得到生成数据，得到的数据与输入的数据有着相似的特征，不同之处在于背景，颜色。

5.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，所述的生成对抗网络中判别器网络将生成的数据传送到判别网络中，判别网络使用PatchGAN结构，将生成图像分成多个大小自定的patch，patch大小设置成70×70效果更好，分别判断每个patch的真假，最后再取平均值作为判别器最后的输出，通过这样的结构不仅让整个Pix2pix框架对图像大小没有限制，增大了框架的扩展性，还减少了计算量，提高了训练速度。

6.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，所述的分割网络模型由编码器、解码器、跳跃连接组成，编码器将输入图像进行两次3×3的卷积操作之后进行relu操作输出，然后通过最大池化和批归一化操作将输出的图像作为下一层的输入，重复这样的操作4次得到5张特征图像，解码器通过将最后一层输出的图像进行2×2的反卷积操作并与前一层的特征图像堆叠进行两次卷积核为3的卷积操作，重复4次以后通过卷积核大小为1的卷积改变通道数，最后通过Softmax函数输出分割图像。

7.如权利要求1所述的新冠肺炎病灶区域分割模型训练的方法，其特征在于，所述的注意力机制模块通过全局最大池化进行特征提取，计算每一层特征图像每个通道的权重，利用通道间的依赖性关系得到每个通道的输出特征，这样提高了通道的特征利用率，减少了冗余信息的干扰。