1.一种植入体遮挡下的脊椎医学图像配准方法，其特征在于，包括配准网络框架，所述配准网络框架包括如下步骤，S100：输入一张带有植入体遮挡的术中X射线图像，通过CNN得到Feature Map，S200：将单个植入体图像经过空间金字塔池化提取得到区域遮挡信息，并将该区域遮挡信息与S100得到的FeatureMap相加得到特征图；

S300：通过GCN对S200步骤中的特征图中的植入体区域以及脊椎区域进行分层解耦处理，得到隐藏特征；

S400：使用姿态编码器提取脊椎信息，重构对应姿态隐空间，接着利用MLP对隐空间进行回归得到所需的姿态参数，以该姿态参数对术前CT进行投影，得到最终的配准图像。

2.如权利要求1所述的植入体遮挡下的脊椎医学图像配准方法，其特征在于，步骤S200中，在SPP网络中，首先将螺钉图像通过一个卷积操作得到相应的Featuremap，接着输入3个全局平均池化层，将池化金字塔参数定义为(1，4，8)，步长均为1，然后将遮挡图像的整体特征与通过3个全局平均池化层计算的特征向量完成拼接并进行填充后，最后通过一个卷积计算形成最终的输出。

3.如权利要求1所述的植入体遮挡下的脊椎医学图像配准方法，其特征在于，所述步骤S300为，用GCN作为处理遮挡模块，其中特征图中的每个图节点表示特征图上的单个像素，每个像素之间的邻接矩阵作为节点之间的边关系，因此，将图卷积操作表示为：Z＝σ(WzAX)+X；

A＝softmax(f(Xi,Xj))；

f(Xi,Xj)＝θ(Xi)Tφ(Xj)；

上式中，X为输入图片特征，+X表示一个残差连接，A表示通过点积定义图节点的相邻关系的邻接矩阵，WZ为输出变换的可学习参数矩阵，最后通过一个softmax函数以及非线性函数得到输出特征Z；

其中，θ和φ是通过1×1卷积实现的两个可训练变换函数，从而构造邻接矩阵以及图节点。

4.如权利要求1所述的植入体遮挡下的脊椎医学图像配准方法，其特征在于，在步骤S400中，使用姿态编码器提取脊椎信息，构建自编码器架构，所述自编码器架构由四个卷积组成，每层使用3×3的卷积核，步长为2，每个卷积后面都有一个参数为0.2的LeakyReLU层，在编码过程中应用2D卷积，输入不同姿态下的脊椎X射线图像特征，得到姿态信息，然后接入128->64->32->16->3全连接层，回归出姿态参数。

5.如权利要求4所述的植入体遮挡下的脊椎医学图像配准方法，其特征在于，在进行配准时，具体为：上式中，ICT为CT图像，IX为X射线图像，Imetal为遮挡物图像，为姿态编码器+MLP的姿态回归过程模型，proj为DRR投影，Ireg为配准图像。

6.如权利要求4所述的植入体遮挡下的脊椎医学图像配准方法，其特征在于，所述配准网络框架通过多损失函数Ltotal定义的端到端方式训练，总目标函数为：Ltotal＝λlLL1+λ2Lcosine+λ3LNCC

其中，λ1，λ2和λ3是超参数，以平衡不同损失项的权重；

LL1为预测的姿态参数与真实姿态r(i)的L1范数损失，具体计算为：

Lcosine为X射线图像中提取的隐变量Zi与DRR配准图中提取的隐变量Zi'的余弦相似度损失，在训练过程中，DRR图像为无遮挡的CT投影得到，该图像中提取脊椎姿态特征无遮挡干扰，与含有遮挡的X射线图像的隐变量形成对比，具体计算为：LNCC为X射线图像与配准图像的相似度损失函数，该相似度损失函数表示为：上式中IX1与IDRR分别对应X射线图像与DRR图像在区域(i,j)的强度值，与为重叠区域(i,j)∈T内图像的均值。

7.一种计算机装置，其特征在于：包括：处理器、存储器、通信接口和通信总线，所述处理器、存储器和通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1至6中任意一项所述的植入体遮挡下的脊椎医学图像配准方法对应的操作。

8.一种计算机存储介质，其特征在于：所述计算机存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行如权利要求1至6中任意一项所述的植入体遮挡下的脊椎医学图像配准方法。