1.一种CT图像特征提取方法，其特征在于，包括：

基于特征提取模型，获取样本CT图像的样本图像序列的特征权重参数；

基于所述特征权重参数，提取CT图像的图像特征，所述CT图像包括CT图像序列对及其对应的光流图；

其中，所述特征提取模型是基于样本CT图像的样本图像序列对以及所述样本图像序列对对应的样本光流图进行对比学习得到的；

所述特征提取模型是基于如下步骤训练得到的：

将所述样本图像序列对输入至所述特征提取模型的查询编码层，得到所述查询编码层输出的原始特征；

将所有样本图像序列对对应的光流图输入至所述特征提取模型的动量编码层，得到所述动量编码层输出的各光流图对应的关键字特征；

将所述原始特征和所有关键字特征输入至所述特征提取模型的对比层，由所述对比层从各关键字特征中确定与所述原始特征相似度最高的特征作为正样本特征，并将其余关键字特征作为负样本特征；

基于所述正样本特征、所述负样本特征以及所有关键字特征，确定损失函数值，并以所述损失函数值更新所述特征权重函数。

2.根据权利要求1所述的图像特征提取方法，其特征在于，所述特征提取模型的损失函数用于最小化所述原始特征与所述正样本特征之间的差异，最大化所述原始特征与负样本特征之间的差异；所述负样本特征指除所述正样本特征外的关键字特征。

3.根据权利要求1所述的图像特征提取方法，其特征在于，所述损失函数值是基于如下公式确定的：其中，lq表示所述损失函数值，q表示所述原始特征，k+表示所述正样本特征，τ表示温度参数，ki表示所述关键字特征，K表示样本池的字典长度。

4.根据权利要求1所述的图像特征提取方法，其特征在于，所述样本图像序列对对应的样本光流图是基于如下步骤确定的：基于模糊权重因子，以及所述样本图像序列对，确定所述样本图像序列对对应的光流场；

基于所述光流场，生成所述样本图像序列对对应的样本光流图。

5.根据权利要求4所述的图像特征提取方法，其特征在于，所述光流场是基于如下公式确定的：‑1

dout(x,y)＝γ×Gavg(x,y) ×havg(x,y)；

其中，dout(x,y)表示所述光流场，γ表示所述模糊权重因子，x表示所述样本图像序列对中前一张序列的像素点位置，y表示所述样本图像序列对中后一张序列的像素点位置，‑1Gavg(x,y) 和havg(x,y)表示采用二次线性插值法计算得到的系数向量值。

6.根据权利要求1至5任一项所述的图像特征提取方法，其特征在于，所述CT图像特征用于对图像分类模型进行训练，以使训练完成的图像分类模型对各CT图像进行分类。

7.一种CT图像特征提取装置，其特征在于，包括：

参数获取单元，用于获取特征提取模型的特征权重参数；

特征提取单元，用于基于所述特征权重参数，提取CT图像的图像特征，所述CT图像包括CT图像序列对及其对应的光流图；

其中，所述特征提取模型是基于样本CT图像的样本图像序列对以及所述样本图像序列对对应的样本光流图进行对比学习得到的；

所述特征提取模型是基于如下步骤训练得到的：

将所述样本图像序列对输入至所述特征提取模型的查询编码层，得到所述查询编码层输出的原始特征；

将所有样本图像序列对对应的光流图输入至所述特征提取模型的动量编码层，得到所述动量编码层输出的各光流图对应的关键字特征；

将所述原始特征和所有关键字特征输入至所述特征提取模型的对比层，由所述对比层从各关键字特征中确定与所述原始特征相似度最高的特征作为正样本特征，并将其余关键字特征作为负样本特征；

基于所述正样本特征、所述负样本特征以及所有关键字特征，确定损失函数值，并以所述损失函数值更新所述特征权重函数。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述CT图像特征提取方法的步骤。

9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述CT图像特征提取方法的步骤。