1.一种用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于，其包括：S1：改进通道注意力机制模块处理三维磁共振图像，获得三维磁共振图像特征图，具体包括以下子步骤：S11:将输入三维磁共振图像X进行全局平均池化操作来得到聚合特征；对一个相邻通道进行快速一维卷积获得对应的通道权重；

S12:在将步骤S11中的通道权重经sigmoid(σ)函数激活后，得到归一化权重，与输入三维磁共振图像X相乘；把前面得到的归一化权重加权到通道注意力机制模块的每个通道的特征上；

步骤S12中的通道注意力机制模块通过两个并列子模块并行处理，第一子模块为自适应平均池化模块，第二子模块为自适应最大池化处理模块；经过连续快速卷积之后，将两个子模块得到的结果在通道维度上进行拼接后再进行一个三维卷积操作；融合两个子模块的信息特征；

S13：将步骤S12得到的通道注意力机制模块与三维卷积神经网络堆叠，得到改进通道注意力机制模块，利用改进通道注意力机制模块处理三维磁共振图像获得三维磁共振图像特征图；

S2：构建平行空间注意力机制模块，处理三维磁共振图像特征图，得到三维磁共振图像输入块，具体包括以下子步骤：S21：通过步骤S1中的三维磁共振图像特征图的空间内部关系产生空间注意力特征图；

沿着通道轴对空间注意力特征图分别进行平均池化和最大池化操作；并将得到的两张空间注意力特征图在通道维度上进行拼接；

S22：使用卷积核进行卷积操作融合三维磁共振图像信息，将卷积后的结果经过sigmoid函数对空间注意力特征图的空间权重归一化，再将其与输入空间注意力特征图相乘得到三维磁共振图像输入块；具体过程为：其中，Ms(F)为三维磁共振图像输入块；F为空间注意力特征图；σ为sigmoid激活函数；

AvgPool(F)为对空间注意力特征图进行平均池化处理；MaxPool(F)为对空间注意力特征图

7×7

进行最大池化处理；f 为使用7×7大小的卷积核进行卷积操作来融合两种信息； 为平均池化获取的权重； 为最大池化获取的权重；

S3：构建双线并行模式，对三维磁共振图像输入块进行特征拼接；

获取步骤S2得到的三维磁共振图像输入块，经第一运行模式处理得到三维磁共振图像第一特征块；经第二运行模式处理得到三维磁共振图像第二特征块；然后将三维磁共振图像第一特征块和三维磁共振图像第二特征块在通道维度上进行拼接，之后再进行一次三维卷积操作；处理得到包含通道注意机制与空间注意机制且三维磁共振图像形状保持一致的特征块；

步骤S3中经第一运行模式处理得到三维磁共振图像第一特征块，具体为：第一运行模式为三维磁共振图像输入块经过加入通道注意力机制模块的卷积操作之后，再进行下采样操作得到包含通道方面注意的三维磁共振图像第一特征块；

经第二运行模式处理得到三维磁共振图像第二特征块，具体为：第二运行模式为三维磁共振图像输入块经过普通的卷积和下采样操作之后，再经过平行空间注意力机制模块处理得到包含空间方面注意的三维磁共振图像第二特征块；

S4：对三维磁共振图像输入块进行三重一致性训练，完成三维磁共振图像的分割操作，具体包括以下子步骤：S41：采用一个编码器和三个解码器组成双向注意力并行网络训练模型训练步骤S3得到的特征块，使用一致性损失约束双向注意力并行网络训练模型；三个解码器从编码器接收相同的深度特征Fe，生成三个深度特征FA，FB和FC；然后，利用sigmoid激活函数分别从深度特征FA，FB和FC中得到预测概率输出PA，PB和PC；

S42：设计循环伪标签方案，通过步骤S41中的三个解码器预测概率输出，将预测偏差转化为辅助监督信号以促进模型训练；首先，使用锐化函数将预测概率输出PA、PB、PC转换为软伪标签sPLA、sPLB和sPLC；然后，使sPLA、sPLB和sPLC三个解码器的输出结果互相监督进行训练，达到对同一输入保持相互一致性，使预测概率输出PA、PB、PC为一致且低熵；最后，利用三个解码器交叉熵和一致性损失构建双向注意力并行网络训练模型的训练总损失函数Loss，完成三维磁共振图像的分割。

2.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S4中双向注意力并行网络共有四层，第一层并行网络运行过程基于步骤S1、步骤S2和步骤S3共同实现；第二、三、四层并行网络运行过程仅采用步骤S2中的平行空间注意力机制运行；在第一层并行网络中，通过三维卷积得到的特征块用于跳跃连接。

3.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S41中的三个解码器，具体为：第一解码器在转置卷积进行上采样操作预测输出；

第二解码器进行三线性插值操作之后再进行转置卷积上采样操作预测输出；

第三解码器使用最邻近插值对先前传输的特征图像进行扩展，进行三维卷积运算并进行上采样操作预测输出。

4.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S42中的锐化函数，具体为：其中，sPL为软伪标签；P为概率输出；T为用于控制锐化温度的常数。

5.根据权利要求1所述的用于三维磁共振图像的双向注意力并行网络分割方法，其特征在于：步骤S42中双向注意力并行网络训练模型的训练总损失函数Loss为将分割损失函数Lseg和一致性损失函数Lc的加权相加得到，具体为：所述分割损失函数Lseg为：

Lseg＝Dice(PA,Y)+Dice(PB,Y)+Dice(PC,Y)；

其中，Lseg为分割损失函数；PA为第一预测概率输出；PB为第二预测概率输出；PC为第三预测概率输出；Y为地面真值；Dice为分割损失；

所述一致性损失函数Lc为：

Lc＝L2(PA,sPLB)+L2(PA,sPLC)+L2(PB,sPLA)+L2(PB,sPLC)+L2(PC,sPLA)+L2(PC,sPLB)；

其中，Lc为一致性损失函数；sPLA为第一软伪标签；sPLB为第二软伪标签；sPLC为第三软伪标签；L2为均方误差损失函数；

所述训练模型的训练总损失函数Loss为：

Loss＝Lseg+λ×Lc；

其中，Loss为训练模型的训练总损失函数；λ为一致性损失权重。