1.一种阿尔茨海默症医学图像的分类方法，其特征在于，所述阿尔茨海默症医学图像的分类方法包括：获取病人的结构向核磁共振图像和基因SNP序列数据；

根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，其中，所述第一特征提取模型包括多头注意力机制的3DMHSA模型和Resnet网络模型，具体为：根据所述结构向核磁共振图像通过所述3DMHSA模型进行训练，得到3DMHSA模型输出值，其中，所述根据所述结构向核磁共振图像与所述3DMHSA模型进行训练，得到3DMHSA模型输出值的计算公式为：)，

，

，

，

，

，

，

,

其中， 为三维数据中的空间坐标，为3DMHSA模型的多头注意力的头数，为位置编码高， 为位置编码宽， )为位置编码长，为按元素求和得到的大小为H×W×L×d的位置编码矩阵， 为在位置 处从输入数据中计算的查询向量， 为在位置 处从输入数据中计算的键向量， 为在位置 处从输入数据中计算的值向量， 为在位置 处的所有数值，Conv_q/k/v为卷积操作， 为查询和注意力权重的点积，为查询和键的点积，为经过softmax操作的在位置 处注意力权重，在位置 处的3DMHSA模型输出值；

根据所述3DMHSA模型输出值通过所述Resnet网络模型进行特征提取，得到所述结构向核磁共振图像特征；

根据所述基因SNP序列数据与第二特征提取模型进行特征提取，得到基因SNP序列特征，其中，所述第二特征提取模型包括GCN网络模型和CNN网络模型，具体为：根据所述基因SNP序列数据和预设虚拟参数生成虚拟k‑mer和k‑mer；

根据所述虚拟k‑mer和所述k‑mer生成虚拟缺口模式图；

根据所述虚拟缺口模式图通过所述GCN网络模型进行嵌入向量转化，得到转化后嵌入向量，其中，所述根据所述虚拟缺口模式图通过所述GCN网络模型进行嵌入向量转化，得到转化后嵌入特征向量的计算公式为：，

其中， 为顶点v的特征， 为虚拟缺口模式图中所有具有从顶点v出边的顶点集合，为计算输入特征的平均值， 为需要学习的矩阵一，为需要学习的矩阵二；

将所述转化后嵌入向量通过所述CNN网络模型进行特征提取，得到所述基因SNP序列特征；

将所述结构向核磁共振图像特征和所述基因SNP序列特征进行融合，得到融合后特征；

根据所述融合后特征通过MLP进行分类，得到分类结果。

2.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述基因SNP序列数据和预设虚拟参数生成虚拟k‑mer和k‑mer，包括：根据所述基因SNP序列数据和所述预设虚拟参数生成图节点的逻辑；

在所述基因SNP序列数据的相邻但不相同的基因SNP序列中插入预设符号，得到插入后基因SNP数据；

根据所述图节点的逻辑与所述插入后基因SNP数据中的预设符号生成虚拟k‑mer和k‑mer，其中，虚拟k‑mer前面的一个k‑mer为end‑k‑mer，虚拟k‑mer后面的基因片段一个k‑mer为start‑k‑mer，所述end‑k‑mer的碱基与所述start‑k‑mer的碱基在算法中不与所述预设符号连接形成k‑mer。

3.根据权利要求2所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述虚拟k‑mer和所述k‑mer生成虚拟缺口模式图，还包括：根据所述虚拟k‑mer和所述k‑mer生成虚拟缺口模式图的边，其中，所述根据所述虚拟k‑mer和所述k‑mer生成虚拟缺口模式图的边的计算公式为：，

，

，

其中， 为基因SNP序列中的k‑mer及其对应的k‑mer在基因SNP序列中的出现次数， 为k‑mer在基因SNP序列中的频数，V为由k‑mer生成的点集的集合，为从vi到vj的边， 为子字符串 在基因SNP序列中出现的频数，为插入的虚拟节点周围的边；

根据所述虚拟k‑mer、所述k‑mer和所述虚拟缺口模式图的边生成所述虚拟缺口模式图。

4.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述获取病人的结构向核磁共振图像，包括：获取所述病人的原始结构向核磁共振图像；

对所述原始结构向核磁共振图像进行平滑处理，得到平滑处理后图像；

对所述平滑处理后图像进行灰度归一化，得到灰度归一化后图像；

对所述灰度归一化后图像进行数据校正，得到数据校正后图像；

对所述数据校正后图像进行空间标准化，得到标准化后图像；

对所述标准化后图像进行去除头骨，得到去除头骨后图像；

对所述标准化后图像进行组织分割，得到分辨后灰质图像、分辨后白质图像、分辨后脑脑脊液图像和其他组织图像；

保留所述分辨后灰质图像，得到所述病人的结构向核磁共振图像。

5.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述获取病人的基因SNP序列数据，包括：获取所述病人的原始基因SNP序列数据；

根据SNP数据的预设召回率值对所述病人的原始基因SNP序列数据进行筛选，得到召回率筛选后数据；

根据预设最小等位基因频率对所述召回率筛选后数据进行筛选，得到基因频率筛选后数据；

根据Hardy‑Weinberg检验的预设P值和预设基因分型率对所述基因频率筛选后数据进行筛选，得到所述病人的基因SNP序列数据。

6.一种阿尔茨海默症医学图像的分类系统，其特征在于，所述阿尔茨海默症医学图像的分类系统包括：数据获取模块，用于获取病人的结构向核磁共振图像和基因SNP序列数据；

图像特征提取模块，用于根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，其中，所述第一特征提取模型包括多头注意力机制的

3DMHSA模型和Resnet网络模型，具体为：根据所述结构向核磁共振图像通过所述3DMHSA模型进行训练，得到3DMHSA模型输出值，其中，所述根据所述结构向核磁共振图像与所述3DMHSA模型进行训练，得到3DMHSA模型输出值的计算公式为：)，

，

，

，

，

，

，

,

其中， 为三维数据中的空间坐标，为3DMHSA模型的多头注意力的头数，为位置编码高， 为位置编码宽， )为位置编码长，为按元素求和得到的大小为H×W×L×d的位置编码矩阵， 为在位置 处从输入数据中计算的查询向量， 为在位置 处从输入数据中计算的键向量， 为在位置 处从输入数据中计算的值向量， 为在位置 处的所有数值，Conv_q/k/v为卷积操作， 为查询和注意力权重的点积，为查询和键的点积，为经过softmax操作的在位置 处注意力权重，在位置 处的3DMHSA模型输出值；

根据所述3DMHSA模型输出值通过所述Resnet网络模型进行特征提取，得到所述结构向核磁共振图像特征；

序列特征提取模块，用于根据所述基因SNP序列数据与第二特征提取模型进行特征提取，得到基因SNP序列特征，其中，所述第二特征提取模型包括GCN网络模型和CNN网络模型，具体为：根据所述基因SNP序列数据和预设虚拟参数生成虚拟k‑mer和k‑mer；

根据所述虚拟k‑mer和所述k‑mer生成虚拟缺口模式图；

根据所述虚拟缺口模式图通过所述GCN网络模型进行嵌入向量转化，得到转化后嵌入向量，其中，所述根据所述虚拟缺口模式图通过所述GCN网络模型进行嵌入向量转化，得到转化后嵌入特征向量的计算公式为：，

其中， 为顶点v的特征， 为虚拟缺口模式图中所有具有从顶点v出边的顶点集合，为计算输入特征的平均值， 为需要学习的矩阵一，为需要学习的矩阵二；

将所述转化后嵌入向量通过所述CNN网络模型进行特征提取，得到所述基因SNP序列特征；

特征融合模块，用于将所述结构向核磁共振图像特征和所述基因SNP序列特征进行融合，得到融合后特征；

分类模块，用于根据所述融合后特征通过MLP进行分类，得到分类结果。

7.一种阿尔茨海默症医学图像的分类设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至5任一项所述的一种阿尔茨海默症医学图像的分类方法。

8.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至5任一项所述的一种阿尔茨海默症医学图像的分类方法。