1.一种肝静脉及肝门静脉的深度学习分割系统，其特征在于，包括：编码模块，用于获得CT序列特征；

序列注意力关联融合模块SACM，用于关联融合单张CT图像不同维度信息；

片间‑图关联模块，用于捕获相邻CT序列之间关联性；

解码模块，用于将序列注意力关联融合模块SACM以及片间‑图关联模块的输出进行加强特征提取和融合。

2.根据权利要求1所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，所述编码模块的处理过程是：

CT序列图像输入编码模块后，先经过两次卷积获得CT序列的特征fl1，然后经过一层池化，两层卷积获得fl2，接着经过三次的一层池化和三层卷积，分别获得CT序列的特征fl3，fl4，fl5。

3.根据权利要求2所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，所述序列注意力关联融合模块的处理过程是：序列注意力关联融合模块SACM包括一个子模块‑序列特征关联模块SFCM，序列注意力关联融合模块SACM用下述公式表示：其中，fl表示CT序列的低维度特征，fh表示CT序列的高维度特征，σ2为sigmoid函数，表示对应元素相加，⊙表示对应元素相乘，concat(·)为Concatenation操作，则在序列注意力关联融合模块中将CT序列的高维度特征fh与低维度特征fl分别进行1×1卷积，对应相加得到的初步融合特征，作为子模块‑序列特征关联模块SFCM的输入。

4.根据权利要求3所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，序列特征关联模块SFCM，包括局部注意力关联模块和全局注意力关联模块两个部分；

局部注意力关联模块关注CT序列的局部特征信息，并在局部上利用相邻CT间关联突出细小血管细节；将大小为C×H×W的CT序列初步融合特征先后输入到1×1卷积和激活函数ReLU中，再进行1×1卷积，在通道上压缩特征，得到1×H×W的特征，然后经过Sigmoid函数，得到CT序列的局部注意力特征矩阵I1，I2，I3，…，In，n为输入的CT序列中CT的数量，由于相邻CT序列图像在语义，外观上具有关联性，考虑根据相邻CT序列的局部注意力特征矩阵的相似度Wi进行加权求和，得到加强的局部注意力特征矩阵I1'，I2'，I3'，…，In'，T

Ii'＝Wi[I1,I2,I3,…,In] i∈(1,n)分别与对应的初步融合特征相乘，在局部上利用相邻CT间关联突出细小血管细节。

5.根据权利要求4所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，全局注意力关联模块关注全局特征信息，并在全局上利用相邻CT间关联突出细小血管细节，将CT序列的初步融合特征分别输入全局平均池化Global average pooling和全局最大池化Global max pooling，分别得到C×1×1大小的特征信息，再基于通道进行拼接，然后进行1×1卷积，并输入Sigmoid函数，得到CT序列的全局注意力特征矩阵A1，A2，A3，…，An，同样考虑相邻CT具有关联性，根据相邻CT序列的全局注意力特征矩阵的相似度Gi进行加权求和，得到加强的局部注意力特征矩阵A1'，A2'，A3'，…，An'，T

Ai'＝Gi[A1,A2,A3,…,An] i∈(1,n)分别与对应的初步融合特征相乘，在全局上利用相邻CT间关联突出细小血管细节；最后，将基于局部注意力融合特征和基于全局注意力融合特征相加，得到关联融合不同维度的序列特征，提高细微血管分割精准度。

6.根据权利要求5所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，所述片间‑图关联模块的处理过程是：

将编码模块输出的CT序列特征，分离成多个CT特征，构建一个完全连通图，以单个CT特征表示为节点，以CT序列特征之间的关系表示为边；片间‑图关联模块的输入为序列节点

0 0 0 t t

[v1,v2,…,vn]的特征向量[h1 ,h2 ,…,hn]，输出为每个节点新的特征向量[h1 ,h2 ,…,t

hn]；

节点vi到节点vj的边eij可表示为：eij＝a(W*hi,W*hj)

a(·)为计算节点相关度的函数，定义为带参数神经网络，W为特征变换权重参数；基于注意力机制设计节点之间的相关度函数，则在第k+1次消息传递前，Wf、Wh表示可训练的特征变换权重参数；

将vi节点的所有相邻节点计算出的相关度进行统一的归一化处理，

7.根据权利要求6所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，完成权重计算后，按照Gate Graph Neural Network的思想进行消息传递及节点更新，Gate Graph Neural Network是一种基于GRU的经典空间域消息传递模型；考虑到基于注意力机制加权求和思想设计消息传递函数σ(·)，得到含有节点vi及其相邻节点信息的消息mi，即然后基于ConvGRU更新节点，则节点vi新的特征向量为：分别经过k+1次消息传递与节点聚合，得到序列节点[v1,v2,…,vn]最终的特征向量作为解码模块的输入。

8.根据权利要求7所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，由于肝静脉及肝门静脉相对于整个CT图像来说，目标较小，边缘模糊，因此，提出了一种结合血管边缘度量约束项Ledge的损失函数，优化静脉血管区域及边缘，在训练中，首先基于交叉熵与Dice损失最小化两个区域之间的不相似性，然后基于血管边缘度量约束项，最小化中边缘之间的不匹配，即对血管边缘进行优化调整；

n为输入网络序列CT图像的数量，α的目的是使用LCE和LDice先对网络进行优化后，再慢慢使用Ledge对血管边界进行调整；

为像素i是否属于类别C的表示， 为对应像素预测表示， 表示真实值的距离变换， 预测值的距离变换，为Hausdorff乘积。

9.根据权利要求8所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于，初始α＝1，优化后训练每个epoch减少0.01。

10.根据权利要求9所述的肝静脉及肝门静脉的深度学习分割系统，其特征在于， 值为

0或1，即像素i属于类别C时 为1，像素i不属于类别C时 为0。