1.一种基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，包括：采集胰腺CT图像数据集并进行数据预处理；

利用步进卷积进行下采样，进而编码，利用3Dtransformer进行特征提取，利用反卷积上采样进行解码，以建立3Dtransformer混合卷积神经网络；

将预处理后的数据输入所述3Dtransformer混合卷积神经网络，输出分割结果。

2.如权利要求1所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，所述数据预处理包括：利用旋转缩放、高斯噪声、高斯模糊、亮度与对比度调整、低分辨率调整、伽马增强和随机裁剪进行数据增强；

将所述胰腺CT图像数据集重新采样到相同的体素间距；

统计所述胰腺CT图像数据集标签的CT值范围并裁剪出[0.5,99.5]的百分比范围，以进行全局归一化。

3.如权利要求2所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，还包括：将所述数据预处理后截取的3D体积块作为所述3Dtransformer混合卷积神经网络输入。

4.如权利要求1所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于：所述3Dtransformer混合卷积神经网络包括三层步进卷积下采样、三层反卷积上采样、三处跳跃连接、三个特征融合模块和14个3Dtransformer模块。

5.如权利要求4所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，所述步进卷积下采样包括：每层所述步进卷积下采样利用两个连续的3Dtransformer模块提取特征。

6.如权利要求5所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，还包括：所述步进卷积下采样中采用的是步进卷积、层正则化和GeLU激活函数。

7.如权利要求5所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，所述3Dtransformer模块包括：利用3D滑动窗口遍历输入3D体积图像，利用transformer计算所述3D滑动窗口内的自注意力，再重新划分窗口，计算交互窗口间的注意力。

8.如权利要求4所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，所述特征融合模块包括：所述特征融合模块将经过所述反卷积上采样的特征和编码器传到解码器的两极多视角特征进行融合；

将解码器反卷积上采样信息和编码器反卷积上采样信息分别经过HWD的三个通道方向的平均池化，进行特征映射表示，并合并为解码器反卷积上采样特征和编码器反卷积上采样特征；将核大小为1×1×1、步长为1的卷积核分别应用于解码器反卷积上采样特征和编码器反卷积上采样特征，再由Relu函数激活；利用另一个核大小为1×1×1、步长为1的卷积核进行反卷积运算，通过sigmoid函数计算权重矩阵；将所述权重矩阵和同级跳跃连接传到解码器的特征进行矩阵乘运算，并输入解码器。

9.如权利要求1所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，还包括：所述3Dtransformer混合卷积神经网络的学习率lr为：其中，initial_lr为初始学习率，epoch_id为训练轮次，max_epoch为最大训练轮次。

10.如权利要求1所述的基于3Dtransformer混合卷积神经网络的胰腺CT图像分割方法，其特征在于，还包括：利用FocalLoss和DiceLoss的加权损失作为所述3Dtransformer混合卷积神经网络的损失函数L：其中，TP、FN、FP为预测出来为胰腺的真阳性数量、假阴性数量和假阳性数量，n为胰腺的预测概率，pn为体素，gn为胰腺的真实位置，λ为FocalLoss和DiceLoss的权重比值，N为胰腺CT图像的体素总数。