1.一种基于多尺度注意力网络的脑血管医学图像自动分割的方法，包括以下步骤：

1)对脑血管医学影像进行预处理；首先通过n4偏置场校正并归一化图像强度至[0,

255]，然后重采样图像使层厚统一，再通过周围填0操作使影像体素大小H×W×D满足H、W、D均为32的整数倍，最后根据影像强度特征进行截窗位；

2)设计一个多尺度注意力UNet网络模型；为了提高脑血管分割的性能，提出了一种MSAUNet模型，与UNet的拓扑结构相似，MSAUNet模型具有一个编码器和一个解码器，并利用跳级连接将编码器阶段的特征与解码器对应的特征进行结合，其中MSAB为多尺度注意力模块，MSFB为多尺度特征融合模块；在编码阶段，利用MSAB提取多尺度特征，并利用四次池化操作，增大特征的感受野，提取高层次的语义表征能力较强的特征；在解码阶段，利用上采样操作恢复高层次特征的尺寸的同时，结合编码阶段低层次的特征，利用MSFB提取高分辨率的语义表征能力更强的特征；最终利用1×1的卷积操作以及Sigmoid归一化实现从特征到像素类别的映射，获得与输入图像尺寸一致的分割掩膜；多尺度与注意力的实现方式如下：(2.1)提取图像的多尺度信息特征；采用串行提取的方式，能够减少内存的消耗，利用两个3×3的卷积可以提取感受野为3×3以及5×5的特征，相似的，利用三个3×3的卷积可以代替一个7×7卷积块；最终该模块可以分别结合3×3、5×5以及7×7的区域的上下文信息获取多个感受野的特征表示；

(2.2)通过注意力机制为多尺度信息增加不同权重；简单的线性聚合不同尺度的特征的方式，对于不同的目标，各个感受野的特征都被同等对待；然而对于复杂且多变的脑血管分割目标，不同的输入图像对不同感受野的特征的敏感程度不同，限制了模型的泛化能力；

在MSAB中，将通过卷积提取到两个低尺度的特征以及两个高尺度的特征分别在通道上进行concat获得两个初步融合的不同尺度的特征信息，再分别通过一个串联的通道注意力模块CAM以及一个空间注意力模块SAM，最后将两个高低尺度下的特征进行像素级别的相加得到最终的输出；通过串联的方式使用两个独立的注意力模块，降低了网络的参数量，并对于脑血管图像特征分别进行通道与空间上的Attention加权，通道注意力模块的计算如公式(1)所示，空间注意力的计算如公式(2)所示；

MC(F)＝σ(MLP(AvgPool(F))+MLP(MaxPool(F)))    (1)

5×5

Ms(F)＝σ(f ([AvgPool(F)；MaxPool(F)]))    (2)

其中，F表示输入的特征，AvgPool为平均值池化，MaxPool为最大值池化，两处的MLP为一个权重共享的多层感知机，σ表示sigmoid,[f1；f2]代表将f1与f2特征进行concat操作；

3)对步骤2)提出的MSAUNet网络模型进行训练；损失函数采用一般的Dice损失函数：

4)最后将待分割的测试数据输入训练好的网络模型得到分割结果并进行三维重建。

2.如权利要求1所述的一种基于多尺度注意力网络的脑血管医学图像自动分割的方法，其特征在于：步骤1)针对图像层厚不同以及现有标签数据存在间断不连续的问题，将大小为448x 448x 128体素、层厚为0.51mm x 0.51mm x 0.80mm的MRI原图像与标签图像进行了重采样工作，使层厚统一为1mm x 1mm x 1mm，经过重采样，获得的图像及其标签大小为

460x 460x 205体素；将重采样得到的图像进行周围填0的padding操作得到大小为480x 

480x 224体素的数据；最后对数据进行窗口为[25,75]的截窗位操作得到最终的输入影像。

3.如权利要求1所述的一种基于多尺度注意力网络的脑血管医学图像自动分割的方法，其特征在于：步骤3)中，将学习率设置为0.0001，并选择Adam优化器；总共训练80个epoch，每20个epoch，学习率减少10倍,期间使用8个样本的batch size进行梯度更新，损失函数采用Dice损失函数。