1.一种基于双重注意力机制的异常脑图像分割方法，其特征在于，包括：

获取异常脑原图像；

对所述异常脑原图像进行归一化处理，利用灰度共生矩阵生成纹理特征图像，搭建卷积神经网络模型，利用灰度共生矩阵计算统计量均值、标准差、对比度和相异度，生成均值、标准差、对比度和相异度的纹理特征图像；将所述异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进行分割；

其中，所述卷积神经网络模型包括编码器和解码器，在编码器中，设置五个卷积模块，每个模块包含一个残差模块；在解码器中，第一次上采样融入位置注意力机制模块和通道注意力机制模块，之后的上采样只融入通道注意力机制模块；所述异常脑原图像和纹理特征图像分别经过编码器进行特征提取，得到特征图，所述特征图在进行跳跃连接之后输入至解码器；

所述编码器包括五个卷积模块，第一个卷积模块将异常脑原图像和生成的纹理特征图像输入进来进行3×3×3卷积，经过批标准化层和LeakyRelu激活后短连接输入到下一个卷积模块，第二个卷积模块至第五个卷积模块使用残差块来取代池化层。

2.如权利要求1所述的异常脑图像分割方法，其特征在于，还包括：将获取到的核磁共振脑图像按照设定比例划分为训练集和验证集；所述训练集的核磁共振脑图像用于训练所述卷积神经网络模型，所述验证集的核磁共振脑图像用于在所述卷积神经网络模型训练完成之后，对卷积神经网络模型的分割效果进行测试与评价。

3.如权利要求1所述的异常脑图像分割方法，其特征在于，所述残差模块包括两个单元，每个单元由正则化、激活函数和3×3×3卷积层组成。

4.如权利要求1所述的异常脑图像分割方法，其特征在于，所述解码器包括四个上采样层，所述特征图进行第一次上采样拼接之后，经过拼接的通道注意力机制模块和位置注意力机制模块输入到残差模块；第二个上采样层的输入包括前一个上采样层的输出和编码器中第三个卷积层中异常脑原图像和纹理特征图像深度卷积路径和标准卷积路径的输出，经过第二次上采样拼接后，经过通道注意力机制模块输入到残差模块；第三个上采样层和第四个上采样层采用与第二个上采样层同样的方式，最后使用softmax函数对上采样阶段的输出进行激活。

5.如权利要求1所述的异常脑图像分割方法，其特征在于，所述卷积神经网络模型的损失函数选择为交叉熵和diceloss相结合。

6.一种基于双重注意力机制的异常脑图像分割系统，其特征在于，包括：

获取模块，用于获取异常脑原图像；

分割模块，用于对所述异常脑原图像进行归一化处理，利用灰度共生矩阵生成纹理特征图像，搭建卷积神经网络模型，利用灰度共生矩阵计算统计量均值、标准差、对比度和相异度，生成均值、标准差、对比度和相异度的纹理特征图像；将所述异常脑原图像和纹理特征图像输入至所搭建的卷积神经网络模型进行模型训练，基于训练好的卷积神经网络模型对核磁共振脑图像进行分割；

其中，所述卷积神经网络模型包括编码器和解码器，在编码器中，设置五个卷积模块，每个模块包含一个残差单元；在解码器中，第一次上采样融入位置注意力机制模块和通道注意力机制模块，之后的上采样只融入通道注意力机制模块；所述异常脑原图像和纹理特征图像分别经过编码器进行特征提取，得到特征图，所述特征图在进行跳跃连接之后输入至解码器；

所述编码器包括五个卷积模块，第一个卷积模块将异常脑原图像和生成的纹理特征图像输入进来进行3×3×3卷积，经过批标准化层和LeakyRelu激活后短连接输入到下一个卷积模块，第二个卷积模块至第五个卷积模块使用残差块来取代池化层。

7.一种计算机设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如权利要求1至5任一项所述的异常脑图像分割方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至5任一项所述的异常脑图像分割方法的步骤。