1.一种基于深度学习的脊柱MRI图像分割方法，其特征在于：包括如下步骤：

1）将每个受试者原始MRI切片图像分成若干个2D图像得到2D数据，同时，利用数据拼接的方式将原始MRI切片图像的所有2D图像拼接，得到3D图像以及3D数据；

2）通过将EfficientNetV2 2D中的2D卷积和2D池化替换成3D卷积和3D池化，得到EfficientNetV2 3D，分别利用EfficientNetV2 2D和EfficientNetV2 3D对步骤1）中得到的MRI 2D图像和3D图像提取图像分割目标的特征矩阵，完成下采样操作；

3）通过将ASPP 2D中的2D卷积和2D池化替换成3D卷积和3D池化，得到ASPP 3D；

通过将Attention机制2D中的二维权重矩阵替换成三维权重矩阵，得到Attention机制

3D；

通过ASPP 2D对MRI 2D图像中所提取图像分割目标的特征矩阵进行多尺度特征融合以及扩大图像分割提取特征的感受野，通过Attention机制2D提高MRI 2D图像中所提取图像分割目标的特征矩阵中单个数据之间的关联性；

通过ASPP 3D对MRI 3D图像中所提取图像分割目标的特征矩阵进行多尺度特征融合以及扩大图像分割提取特征的感受野，通过Attention机制3D提高MRI 3D图像中所提取图像分割目标的特征矩阵中单个数据之间的关联性；

4）将经过步骤3）处理得到的MRI 2D图像的图像分割目标的特征矩阵以及MRI3D图像的图像分割目标的特征矩阵拼接在一起，通过双线性插值完成上采样操作，同时将提取的MRI 

2D图像和MRI3D图像的图像分割目标的特征矩阵还原到原始MRI切片图像尺寸，并得到深度学习网络的分割结果；

5）分别将MRI 2D图像的分割结果与MRI3D图像的分割结果融合，保证了分割结果既有分割精度又有位置信息和3D数据。

2.如权利要求1所述的基于深度学习的脊柱MRI图像分割方法，其特征在于：所述原始MRI切片图像分成12张2D图像，每张2D图像的尺寸为880×880；通过数据拼接的方式，将12张880×880的2D图像利用代码拼接为12×880×880，得到3D图像以及3D数据。

3.如权利要求1所述的基于深度学习的脊柱MRI图像分割方法，其特征在于：所述EfficientNetV2 2D和EfficientNetV2 3D分别用于采取MRI 2D图像和3D图像提取图像分割目标的特征矩阵，所述特征矩阵的尺寸为：32×256×256，其中32是通道数，256×256为特征矩阵的尺寸。

4.如权利要求1所述的基于深度学习的脊柱MRI图像分割方法，其特征在于：所述ASPP 

2D与ASPP 3D用于所提取图像分割目标的特征矩阵进行多尺度特征融合，以及扩大对应图像分割提取特征的感受野；ASPP 2D与ASPP 3D均使用三个空洞卷积，比率为6、12和18，卷积核的尺寸为3×3，得到的图像分割提取特征的32×256×256，其中32是通道数，256×256为得到图像分割提取特征的尺寸。

5.如权利要求1所述的基于深度学习的脊柱MRI图像分割方法，其特征在于：步骤4）中通过双线性插值完成上采样操作后，将图像分割目标的特征矩阵还原到原始MRI切片图像尺寸880×880。