1.一种基于T型注意力结构的医学图像分割方法，其特征在于，步骤如下：

步骤一、对医学图像数据进行预处理，并进行数据划分得到训练集和测试集；

步骤二、对U-Net网络进行改进，获得预测模型：

在U-Net网络的解码网络结构中引入带有T注意力模块的门控注意力机制，在编码网络结构和解码网络结构中加入ResNet残差模块；

步骤三、将训练集数据输入预测模型中进行训练；

将训练集输入预测模型中，采用随机初始化和随机梯度下降优化的方法；设置初始学习率、分割层学习率、动量、权重衰减系数；根据设置好的训练策略进行训练，得到训练后的网络模型；

步骤四、将测试集数据集输入步骤三中训练好的预测模型中，获得分割数据。

2.根据权利要求1所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，进一步的，步骤一对获取的医学图像数据进行预处理，并进行数据划分得到训练集，验证集和测试集，具体操作如下；

将医学图像大小统一为n*n的正方形形状，将医学图像数据集中百分之八十的样本作为训练集，剩下的百分之二十的样本作为测试集；在训练和测试阶段采用了基于图像分块patch-based的方法，将训练集的每一张图片划分成多个小块，每一个小块就称为patch；将训练集划分的patch90％作为训练数据，10％作为验证数据。

3.根据权利要求2所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，优选的，在步骤二中预测模型包括：编码网络结构和解码网络结构，编码网络结构包括4个卷积层，3个最大池化层，解码网络结构包括3个上采样层和3个卷积层；其中每个卷积层包含三个卷积块操作，将编码网络结构和解码网络结构中每一个卷积层的最后两个卷积块替换成残差卷积块；为了将编码网络结构最后一层和之前更浅层的预测结合起来，加入跳跃结构将其连接起来，每一层跳跃结构加入一个门控注意力结构进行浅层的输入特征提取；

所述的门控注意力结构，首先对于输入的编码图像和卷积后的解码图像进行融合，使用1*1*1的卷积层进行降维操作，再将降维后的图像输入到两个串联T型注意力模块中，经过T注意力模块后得到的输出再和输入的编码图像进行融合即可得到含有全局信息的特征图像；

进一步，所述的T型注意力模块为了降低计算复杂度并且能够得到充分的全局信息，从水平和垂直两个方向收集相关信息，增强像素级的代表性，对于给定的局部特征H，首先进行1*1的卷积操作得到Q,K,V，将Q中的每一个像素点与K中对应这个点相同的行与列所有像素进行融合操作可以得到A，A与V进行融合操作得到的结果再与H进行融合就可以得到每个像素点与其相同行列像素点的相关性，将两个T型注意力模块串联就能够得到全局信息，并且两个T型注意力模块之间共享参数信息。

4.根据权利要求3所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，进一步，步骤三将训练集数据输入预测模型中进行训练，采用随机初始化和随机梯度下降优化的方法，随机梯度下降优化方法，首先从输入的训练集中随机抽出一组样本进行训练，训练后按梯度更新一次，然后重新抽取一组样本进行训练，再更新一次，在样本量大的情况下，不用训练完所有的样本就可以获得一个损失值在可接受范围之内的模型，每次迭代过程中，样本都要被随机打乱；依次设置初始学习率、分割层学习率、动量、权重衰减系数、迭代次数；训练结束后将验证集输入得到验证结果。

5.根据权利要求4所述的一种基于T型注意力结构的医学图像分割方法，其特征在于，随机梯度下降优化的批次大小为32，epoch为150个，初始学习率为0.001，最后的分割层学习率为0.01，动量为0.9，权重衰减为0.0005。