1.基于深度学习的脊柱椎间融合检测装置，其特征在于，包括：获取模块，用于获取患者的脊柱图像；

图像分割模块，用于基于深度卷积神经网络模型对所述脊柱图像进行图像识别和分割，得到所述脊柱图像中的第一骨桥图像及其相邻的上节椎体图像和下节椎体图像；

图像生成模块，用于根据所述第一骨桥图像及其相邻的上节椎体图像和下节椎体图像并基于对抗生成网络模型生成该患者的脊柱愈合图像，并确定所述脊柱愈合图像中的第二骨桥图像；

确定模块，用于确定所述第一骨桥图像与第二骨桥图像的相似度，并根据所述相似度确定所述患者的脊柱椎间融合状态；

所述深度卷积神经网络模型为Point‑UNet模型，所述Point‑Unet模型为UNet网络改进网络模型，即将UNet网络的上采样模块修改为PointRend子网络；

所述对抗生成网络模型包括多个判别器，所述多个判别器用于进行权重协同训练和数据协同训练；

所述获取模块，还用于获取患者的临床数据以及时序脊柱图像；

所述确定模块，还用于根据所述临床数据以及时序脊柱图像并基于时序神经集成网络模型确定所述患者的脊柱椎间愈合趋势和愈合时间。

2.如权利要求1所述的基于深度学习的脊柱椎间融合检测装置，其特征在于，所述Point‑UNet模型采用未标记的数据并基于自监督对比学习进行预训练。

3.如权利要求1所述的基于深度学习的脊柱椎间融合检测装置，其特征在于，所述临床数据至少包括：患者的年龄、性别、身高、体重和骨质情况。

4.如权利要求1所述的基于深度学习的脊柱椎间融合检测装置，其特征在于，所述获取模块，还用于获取患者的真实愈合图像；所述装置还包括：优化模块，用于根据所述真实愈合图像及其对应的时间信息生成真实标注数据，并根据所述真实标注数据对所述对抗生成网络模型和时序神经集成网络模型进行优化。

5.基于深度学习的脊柱椎间融合检测方法，其特征在于，所述方法由基于深度学习的脊柱椎间融合检测装置执行，包括以下步骤：获取患者的脊柱图像；

基于深度卷积神经网络模型对所述脊柱图像进行图像识别和分割，得到所述脊柱图像中的第一骨桥图像及其相邻的上节椎体图像和下节椎体图像；

根据所述第一骨桥图像及其相邻的上节椎体图像和下节椎体图像并基于对抗生成网络模型生成该患者的脊柱愈合图像，并确定所述脊柱愈合图像中的第二骨桥图像；

确定所述第一骨桥图像与第二骨桥图像的相似度，并根据所述相似度确定所述患者的脊柱椎间融合状态；

所述深度卷积神经网络模型为Point‑UNet模型，所述Point‑Unet模型为UNet网络改进网络模型，即将UNet网络的上采样模块修改为PointRend子网络；

所述对抗生成网络模型包括多个判别器，所述多个判别器用于进行权重协同训练和数据协同训练；

所述方法还包括：

获取患者的临床数据以及时序脊柱图像； 根据所述临床数据以及时序脊柱图像并基于时序神经集成网络模型确定所述患者的脊柱椎间愈合趋势和愈合时间。

6.如权利要求5所述的基于深度学习的脊柱椎间融合检测方法，其特征在于，所述Point‑UNet模型采用未标记的数据并基于自监督对比学习进行预训练。

7.如权利要求5所述的基于深度学习的脊柱椎间融合检测方法，其特征在于，所述临床数据至少包括：患者的年龄、性别、身高、体重和骨质情况。

8.如权利要求5所述的基于深度学习的脊柱椎间融合检测方法，其特征在于，所述方法还包括：获取患者的真实愈合图像；

根据所述真实愈合图像及其对应的时间信息生成真实标注数据，并根据所述真实标注数据对所述对抗生成网络模型和时序神经集成网络模型进行优化。