1.一种基于压缩‑激励网络的半监督左心房分割方法，其特征在于，包括如下步骤：

S1：对左心房磁共振图像数据进行预处理操作，将处理后的图像保存在h5文件中，作为半监督分割神经网络的输入；

S2：将S1中所得的预处理后的左心房磁共振图像数据输入至预设位置，运行SETC‑Net，准备进行分割预测任务；

S3：SETC‑Net读取左心房磁共振图像数据，并对左心房磁共振图像数据进行数据增强操作，再将左心房磁共振图像数据传递到SETC‑Net中进行分割预测和调整；

S4：降低左心房磁共振图像数据的像素级标签的数量，重复S1‑S3，观察和评估SETC‑Net的性能；

S3中所述SETC‑Net由一个编码器和三个解码器组成，所述三个解码器从编码器处接收相同的深度特征，分别进行训练预测生成三个分割预测结果 、 、 ，再将预测结果与标签图对照，从而计算出相应的左心房磁共振图像数据的分割概率输出 、 、 ，三个解码器分割预测过程中的损失函数基于加权方式获得；其中，三个解码器基于循环伪标签方案进行相互学习和训练，对左心房磁共振图像数据进行低熵一致性的分割预测；所述损失函数将 分割损失和 一致性损失进行加权获得；

所述 分割损失具体如下：

其中， 、 、 分别为三个编码器的分割损失；

所述 一致性损失具体如下：

其中， 为第一个编码器相对于第二个编码器的一致性损失； 为第一个编码器相对于第三个编码器的一致性损失； 为第二个编码器相对于第一个编码器的一致性损失； 为第二个编码器相对于第三个编码器的一致性损失； 为第三个编码器相对于第一个编码器的一致性损失； 为第三个编码器相对于第二个编码器的一致性损失；

最后根据输入的不同的左心房磁共振图像数据与对应预测的结果对SETC‑Net进行调整；

所述编码器中，将SE模块与V‑Net中的卷积块堆叠，形成一个新的SEConv模块，使用SEConv模块替换V‑Net中第一层和第二层的卷积块；所述SE模块通过自适应平均池化操作获取特征图的每个通道的重要程度，再通过所述每个通道的重要程度为每个特征图赋予权重值；再通过线性处理对通道数进行压缩，通过ReLU函数激活，再进行一次线性处理，将通道数激励放大；基于Sigmoid函数进行激活，最后将权重值与原本的特征图相乘得到新的特征图；

所述三个解码器中，第一个解码器采用V‑Net的原始转置卷积进行上采样；第二个解码器经过三线性插值扩展特征图，再通过3D卷积处理后进行传递；第三个编码器经过最临近插值处理后再进行正常的3D卷积；所述第二个解码器和所述第三个编码器为辅助分类器。

2.根据权利要求1所述的一种基于压缩‑激励网络的半监督左心房分割方法，其特征在于，S1中所述左心房磁共振图像数据包括有标注的左心房磁共振图像数据和无标注的左心房磁共振图像数据。

3.根据权利要求1所述的一种基于压缩‑激励网络的半监督左心房分割方法，其特征在于，S1中所述预处理操作包括，将原始磁共振图像周围的信息区域去除，保留中间的影像部分，还对原始磁共振图像进行裁剪操作，去除影响中的边缘信息区域。

4.根据权利要求1所述的一种基于压缩‑激励网络的半监督左心房分割方法，其特征在于，所述S4中，基于Dice距离、Jaccard距离、95%Hausdorff距离和平均表面距离的定量结果衡量SETC‑Net的算法性能。