1.一种深度学习网络结构实现的多标签主动脉夹层CT图像分割方法，其特征在于：其包括训练阶段和推理阶段，所述训练阶段用于根据深度学习网络结构对预处理后的图像进行训练，得到网络参数，所述推理阶段用于根据网络参数将预处理后的图像通过深度学习网络结构处理后，采用多标签分割算法输出分割掩膜图；

所述深度学习网络结构包括编码器模块、SA空间注意力模块、序列特征金字塔注意力SFPA模块、以及带有CA通道注意力模块的解码器模块，所述编码器模块提取CT体积内连续图像特征进行下采样形成不同尺度的特征图，将编码器模块最后一层输出特征输入序列特征金字塔注意力SFPA模块提取不同尺度的序列特征信息；将编码器模块输出的卷积层特征输入SA空间注意力模块筛选编码器输出的不同尺度的浅层特征，并与深层特征拼接；CA通道注意力模块和SA空间注意力模块相配合，将拼接后的特征进行通道方向校准；所述序列特征金字塔注意力SFPA模块和SA空间注意力模块相配合，将其输出的深层特征与不同尺度的浅层特征进行关联，获得不同尺度的CT图像序列特征，具体包括：将最末尾的浅层特征与序列特征金字塔注意力SFPA模块中输出的深层特征拼接形成次一深层特征，将下一层的浅层特征与次一深层特征拼接形成次二深层特征，依次类推得到最终融合了不同尺度的序列特征信息的拼接后的特征；然后解码器模块通过CA通道注意力模块对SA空间注意力模块输出的拼接后的特征进行通道方向的校准。

2.根据权利要求1所述的一种深度学习网络结构实现的多标签主动脉夹层CT图像分割方法，其特征在于：所述编码器模块采用预训练模型ResNeSt‑50实现。

3.根据权利要求1所述的一种深度学习网络结构实现的多标签主动脉夹层CT图像分割方法，其特征在于：所述序列特征金字塔注意力SFPA模块和SA空间注意力模块相配合，将其输出的深层特征与不同尺度的浅层特征进行关联，获得不同尺度的CT图像序列特征，其操作过程具体包括：将编码器模块输出的卷积层记为第一卷积层layer1、第二卷积层layer2、第三卷积层layer3、……、第n‑1卷积层layer(n‑1)，n为自然数，第n卷积层layern；将第n卷积层layern的特征输入序列特征金字塔注意力SFPA模块得到深层特征；将第二卷积层layer2至第n‑1卷积层layer(n‑1)分别输入第一个SA空间注意力模块、第二个SA空间注意力模块、……、第n‑2个SA空间注意力模块，第n‑2个SA空间注意力模块输出浅层特征，并与序列特征金字塔注意力SFPA模块输出的深层特征拼接形成第二深层特征，第二深层特征经过CA通道注意力模块进行通道方向的校准后与第n‑3个SA空间注意力模块输出的浅层特征进行拼接，形成第三深层特征，依次类推，直至第一个SA空间注意力模块输出的浅层特征拼接完成。

4.根据权利要求1所述的一种深度学习网络结构实现的多标签主动脉夹层CT图像分割方法，其特征在于：所述序列特征金字塔注意力SFPA模块是在ConvLSTM的基础上引入空洞卷积，其具体包括：序列特征金字塔注意力SFPA模块有四个分支，每个分支由不同空洞率的ConvLSTM组成，其空洞率分别为1，6，12，18；不同空洞率的ConvLSTM提取不同尺度的序列特征，再将这些特征拼接在一起，形成特征金字塔结构，使网络适应不同尺度的语义信息；对拼接后的特征进行通道方向校准；对输入特征进行全局池化，1×1卷积以及sigmoid激活后生成通道权重，对不同尺度的序列特征进行通道加权。

5.根据权利要求1所述的多标签主动脉夹层CT图像分割方法，其特征在于：所述训练阶段中，采用BCE+DICE混合损失函数，所述BCE+DICE混合损失函数定义为：Ltotal＝αLmBCE+LmDSC；

其中，α表示骰子系数损失函数和二值交叉熵损失函数的权重。

6.根据权利要求1所述的多标签主动脉夹层CT图像分割方法，其特征在于：所述训练阶段具体包括：构建图片数据集；对图片数据集进行图像预处理；将预处理后的图片数据集输入深度学习网络结构，采用BCE+DICE混合损失函数，梯度下降对深度学习网络结构进行训练，迭代N次后保存网络参数。

7.根据权利要求1所述的多标签主动脉夹层CT图像分割方法，其特征在于：所述推理阶段包括：导入训练阶段的网络参数；输入CT容积；图像预处理；将预处理后的图片数据集输入深度学习网络结构；采用多标签分割算法输出分割掩膜图。

8.根据权利要求1所述的多标签主动脉夹层CT图像分割方法，其特征在于：所述多标签分割算法包括：

设网络经过sigmoid激活后输出为P＝{p1,p2...pc},pi∈[0,1]，p1，p2，pc分别是指第1个、第2个、第C个类别的网络预测值，C表示预测的类别数，C＝c1+c2+c3,c1、c2和c3分别表示g1、g2和g3三个组的类别数量；最终分类结果Y＝{y1,y2,y3}，y1，y2，y3分别表示像素实例的三个预测标签； 计算g1预测类别中最大值对应的位置得到第一个标签；其中，argmax(·)表示取向量最大值的下标，即类别编号；计算g2和g3中的类别时，则需要考虑是否存在标签；

当属于g2或g3的预测向量最大值大于预设阈值时表示存在标签，通过计算最大值的位置得到y2和y3。