1.一种基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，包括以下步骤：(1)建立图像和类别标签的关系，即分类模型，分类模型基于深度学习中的残差神经网络，并加入注意力模块；

(2)对每一张无标签训练样本进行两次不同的数据增强得到两张新的图像；

(3)通过步骤(1)训练的分类模型对数据增强后得到的图像进行分类，得到其分类结果；

(4)对无标签样本增强后的图像的分类结果进行最小化熵处理，将处理后的结果看作其伪标签；

(5)对每一张有标签训练样本进行一次数据增强得到其增强后的图像；

(6)将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的训练样本；

(7)将新的训练样本和对应的标签代入分类模型中进行训练，更新网络参数信息；

(8)在训练过程中，随着未标签训练样本的增加，逐渐去除有标签训练样本，逐步的释放有监督数据的训练信号；

(9)对分类模型中的全连通层和特征图的权重进行加权求和，生成关注图，突出与预测结果密切相关的重要区域；

(10)用训练好的分类模型对测试集中的样本图像进行分析，并对分析结果生成可视化图。

2.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，所述步骤(1)具体过程为：分类模型采用经典图像分类模型中的残差神经网络模型，并在模型中加入注意力机制的模块，首先将残差神经网络提取的特征图分别经过基于width和height的全局最大池和全局平均池，得到两个经过卷积层的特征图，然后，添加卷积层的输出特征，最后的注意力地图A由sigmoid函数生成：A＝Sigmoid(Conv(Avgpool(F))+Conv(Maxpool(F)))，其中F为残差神经网络提取到的特征，AvgPool是平均池化函数，MaxPool是最大池化函数，Conv是卷积函数。

3.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，所述步骤(2)具体过程为：将无标签图像进行两次数据增强，增强方法有：标准化、几何变换、随机调整亮度和随机调整对比度。

4.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，所述步骤(4)具体过程为：将分类结果进行最小化熵处理，强迫分类器对未标记训练样本做出低熵预测，使用sharpening函数来最小化未标记数据得熵，形式如下：其中p是概率类别，T是温度参数，用来调节分类熵，i是样

本数，j表示从1到类别数，L是总类别数。

5.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，所述步骤(6)具体过程为：将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行Mixup，得到新的训练样本，增强分类模型的鲁棒性，其中mixup的公式如下：x′＝μ′x1+(1‑μ′)x2

p′＝μ′p1+(1‑μ′)p2

μ～Beta(α，α)

μ′＝max(μ，1‑μ)

其中x1，p1是有标签训练样本的图像和对应的标签，x2，p2是无标签训练样本的图像和对应的标签，α代表Beta的分布参数，μ代表样本混合权重。

6.根据权利要求1所述的基于半监督深度学习的新冠肺炎CT图像分析方法，其特征在于，所述步骤(8)具体过程为：在训练的t时刻，设置一个阈值ηt，且1/K≤ηt≤1，其中，K是类别数，当一个标签例子的正确类别P的概率高于阈值ηt时，模型从损失函数中删除这个例子，只训练这个minibatch下其他标记的例子。

7.一种基于半监督深度学习的新冠肺炎CT图像分析系统，其特征在于，包括：深度学习模块，建立图像和类别标签的关系，形成分类模型模块，分类模型模块基于深度学习中的残差神经网络，并加入注意力模块；

深度学习模块对每一张无标签训练样本进行两次不同的数据增强得到两张新的图像；

分类模型模块对数据增强后得到的图像进行分类，得到其分类结果；

分类模型模块对无标签样本增强后的图像的分类结果进行最小化熵处理，将处理后的结果看作其伪标签；

数据增强模块，对每一张有标签训练样本进行一次数据增强得到其增强后的图像；

数据混合模块，将得到伪标签的数据增强后的无标签训练样本和数据增强后的有标签训练样本进行混合，得到新的训练样本；

分类模型模块对新的训练样本和对应的标签进行训练，更新网络参数信息；在训练过程中，随着未标签训练样本的增加，逐渐去除有标签训练样本，逐步的释放有监督数据的训练信号；

关注图生成模块，对分类模型模块中的全连通层和特征图的权重进行加权求和，生成关注图，突出与预测结果密切相关的重要区域。