1.一种基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：包括，采集原始数据，按比例分为训练集和测试集，并对其进行预处理；

通过对监督信息进行变换，生成辅助监督标签；

通过Unet网络对肝脏进行快速粗略定位，得到肝脏区域后进行裁剪和插值处理；

建立ECA-Net网络；

基于预处理后的训练集数据，对ECA-Net网络进行训练；

基于ECA-Net网络进行分割；

在ECA-Net网络编码阶段通过使用生成的辅助监督标签监督，通过聚合多级特征生成包含细节信息的全局边缘引导图，包括，将一个分辨率为h×w的CT切片输入记为I，从各个骨干网络中得到五个层次的特征，表示为f

f

E

式中，f

所述预处理步骤包括调整HU值至[-100,240]，然后归一化到[0,1]之间；

通过对监督信息进行变换，生成辅助监督标签包括如下步骤，将原始标注信息中肿瘤部分像素点设置为0，肝脏和背景部分像素不变，得到GT1；

对GT1进行距离变换，然后归一化到[0，1]之间；

用1减去先距离变换再归一化之后的GT1即可得到边缘敏感辅助监督的辅助监督标签。

2.如权利要求1所述的基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：对肝脏区域进行裁剪和插值处理包括统一到336*336的输入尺寸和排除不包含肝脏区域的空切片。

3.如权利要求2所述的基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：所述ECA-Net网络包括3个边缘注意力补偿模块、1个解码模块、4个编码模块、1个局部-全局整合模块和1个多层级特征整合模块，中间通过包含3*3和1*1卷积的转换层来连接编码和解码特征。

4.如权利要求3所述的基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：在ECA-Net网络解码阶段，通过利用全局边缘引导图对上采样得到的特征进行补充，以得到更精确的分割结果。

5.如权利要求4所述的基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：对ECA-Net网络进行训练时，使用图像翻转和图像旋转作为数据增强手段，用于缓解过拟合问题，并且在训练完成后，通过预处理后的测试集数据，对ECA-Net网络进行测试，直至学习率降低到初始学习率的10％并保持稳定时，结束训练。

6.如权利要求5所述的基于边缘补偿注意力的肝脏及肝脏肿瘤自动分割方法，其特征在于：基于ECA-Net网络进行分割后，在肝脏分割结果上采用最大连通标记的手段，并且填充肝脏中的细小空洞，最后移除在肝脏范围外的肿瘤。