1.病变淋巴结图像分割方法，其特征在于，所述病变淋巴结图像分割方法包括以下步骤：获取对象待诊断部位的PET图像序列，所述PET图像序列至少包括前后连续拍摄的两张以上的待诊断部位的PET图像；

获取PET图像序列的每张PET图像的灰度图像；

使用边缘检测算法获取每张PET灰度图像的阴影部分的图像区域，得到PET预处理图像序列；

将所述PET预处理图像序列输入轮廓变化模式识别模型，以此识别得到属于淋巴结的轮廓变化模式的图像区域；

将PET图像和同时扫描的CT图像进行配准；

将PET图像属于淋巴结的轮廓变化模式的图像区域对应于CT图像中图像部分，设为感兴趣区域；

根据所述感兴趣区域、CT图像和预设的图像分割模型分割得到病变淋巴结图像；

所述轮廓变化模式识别模型通过以下步骤训练得到：

获取多个具有病变淋巴结的PET图像序列，并对每个PET图像进行灰度处理得到由PET灰度图像组成的PET灰度图像序列；

使用边缘检测算法对每个PET灰度图像序列中的PET灰度图像进行处理得到每个PET灰度图像中包含的阴影区域；

计算每个PET灰度图像中阴影区域图像的中心点；

将PET灰度图像序列中具有相同中心点位置的阴影区域图像形成一个图像集合，将所述图像集合作为一个单独的阴影区域图像序列；

对每个阴影区域图像序列进行人工标引其是否为淋巴结；

使用卷积模块对每个阴影区域序列的阴影区域图像进行特征提取得到第一特征矩阵，所述卷积模块至少包括一个卷积层和一个池化层；

计算每个阴影区域序列中的阴影区域图像的中心矩得到第二特征矩阵；

将第一特征矩阵和第二特征矩阵进行合并得到阴影区域序列的每个阴影区域图像的特征表示；

将阴影区域序列的所有阴影区域图像的特征表示作为输入，阴影区域变化序列的类型作为标签，使用循环神经网络作为神经网络框架，以此训练得到判断是否属于淋巴结的轮廓变化模式识别模型。

2.根据权利要求1所述的病变淋巴结图像分割方法，其特征在于，阴影区域变化序列的类型根据高代谢区域可能出现的正常器官进行设定以通过排除正常器官分辨出病变淋巴结。

3.根据权利要求1所述的病变淋巴结图像分割方法，其特征在于，根据所述感兴趣区域和预设的图像分割模型对CT图像进行分割得到病变淋巴结图像包括以下步骤：获取CT图像中感兴趣区域的中心点，获取感兴趣区域偏离中心点的最远点作为第一特征点；

将所述中心点作为原点，使一直线向两端同时延伸，直到直线的其中一端与第一特征点重合，将该得到的直线设为第一直线轴；

创建一个椭圆曲线，以所述第一直线轴作为椭圆曲线的长轴，逐渐增加椭圆曲线的短轴直到椭圆曲线所包括的范围囊括了所有的感兴趣面积；

所述椭圆曲线包括的图像范围为第一CT局部图像；

创建第一矩形，所述第一矩形的中心点与原点重合，所述第一矩形的长等于长轴的长且与所述长轴平行，所述第一矩形的宽等于短轴的长且与所述短轴平行；

以第一矩形的中心点为中心，创建一个包括第一矩形的第二矩形，第二矩形的大小使得第一矩形占据第二矩形的面积等于预设比例；

将所述CT图像中的第二矩形的区域图像输入预设的图像分割模型，得到CT图像中病变淋巴结所处的区域图像。

4.根据权利要求3所述的病变淋巴结图像分割方法，其特征在于，所述预设的图像分割模型通过以下步骤训练得到：获取多个身体中不同大小的淋巴结CT图像，通过专家将所述CT图像中的淋巴结进行边界划分，以得多个淋巴结CT训练图像；

对每个淋巴结CT训练图像创建第三矩形，使得所述第三矩形的面积最小且包括整个淋巴结的图像区域；

创建一个第四矩形，所述第四矩形的中心点与第三矩形相同，第四矩形的大小使得第三矩形占据第四矩形的面积等于预设比例；

将所述第四矩形的包括的图像切割出来，以得到多个淋巴结CT预处理图像；

使用所述多个淋巴结CT预处理图像对U‑net++神经网络框架进行训练，以得到所述预设的图像分割模型。

5.淋巴癌辅助诊断方法，其特征在于，所述淋巴癌辅助诊断方法包括以下步骤：使用权利要求1‑4任一所述的病变淋巴结图像分割方法分割得到病变淋巴结的CT图像之后；

将病变淋巴结的CT图像和PET图像中属于淋巴结的轮廓变化模式的图像区域对应于CT图像中的图像区域，在CT图像中以不同的颜色进行标识，形成辅助判断图像；

将所述辅助判断图像向客户端传输以向医生进行展示。