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；基于训练集数据，对ECA‑Net网络进行训练；基于ECA‑Net网络进行切割。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：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。3.如权利要求1或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：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GT1即可得到边缘敏感辅助监督的监督标签。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：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。5.如权利要求1、2和4任一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。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：在编码阶段通过使用生成的边缘敏感辅助监督标签监督，通过聚合多级特征生成包含细节信息的全局边缘引导图。7.如权利要求6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。8.如权利要求7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。9.如权利要求1、6或8任一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网络进行切割后，在肝脏分割结果上采用最大联通标记的手段，并且填充了肝脏中的细小空洞，最后移除了在肝脏范围外的肿瘤。10.如权利要求1、6或8任一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：全局边缘引导图的生成过程通过如下公式表示，f31＝Concat(f3*×U2(f4) ,U2(f4))f21＝Concat(f2*×U4(f4)×U2(f3*) ,f31)Eg＝Sigmoid(f21)

式中，fi为各个骨干网络中各个层次的特征，i＝1 ,2,3,4,5，fi经过一个1×1卷积后用fi*表示，U2、U4分别代表2倍和4倍上采样，sigmoid为激活函数，Concat为通道维度拼接操作，Eg为生成的全局边缘信息补偿图。