1.一种基于多向空间特征的肝肿瘤分割方法，其特点在于，所述方法包括以下步骤：S1：预处理腹部CT数据，得到NPY矩阵数据，将数据划分为训练集，验证集和测试集；

S2：提取NPY矩阵数据的初始特征；

S3：在初始特征中提取多向空间特征；

S4：构建自适应门控注意力模块AGAM对多向空间特征进行特征提取，得到局部特征；具体包括以下步骤：S4.1：对多向空间特征的横断面方向切片进行特征提取；

S4.2：计算注意力权重；

S4.3：对多向空间特征进行局部注意力强化得到局部特征；

S5：构建六向Mamba模块HoM对多向空间特征进行特征提取，得到全局特征；具体包括以下步骤：S5.1：构建Mamba长序列建模操作；

S5.2：将多向空间特征的冠状面、矢状面和横断面的扁平化序列进行Mamba长序列建模；

其中，S5.2包括以下步骤：

将多向空间特征扁平化为6个特征序列，对这6个序列分别进行Mamba长序列建模，然后再将建模后的序列进行融合，实现对多向空间特征的全局注意力强化；

S6：对局部特征和全局特征进行融合和增强得到强化特征；具体包括以下步骤：S6.1：融合自适应门控注意力模块AGAM和六向Mamba模块HoM的输出，得到融合特征；

S6.2：对融合特征进行增强得到强化特征；

S7：构建通道解析熵模块CPEM对强化特征进行筛选，得到最终特征；具体包括以下步骤：S7.1：计算强化特征的通道选择系数；

S7.2：计算强化特征的不确定性估计系数；

S7.3：构建通道解析熵模块CPEM筛选强化特征；

其中，S7.1包括以下步骤：

对于输入的强化特征进行全局平均池化，将每个通道的强化特征映射为一个标量，然后将其输入多层感知机，通过非线性变换对各通道的重要性进行建模，进一步提取通道间的依赖关系，最后进行归一化，将每个通道的重要系数映射到 [0, 1] 范围，生成通道选择系数；

其中，S7.3包括以下步骤：

对每个通道特征进行调整，综合通道的重要性权重和不确定性估计系数，得到筛选后的特征；

S8：拼接多尺度的最终特征，得到肝肿瘤的分割图。

2.根据权利要求1所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S1包括以下步骤：S1.1：采集腹部CT原始数据，对数据进行标准化、裁剪、数据增强的预处理，并转化为NPY矩阵数据；

S1.2：将预处理后的数据划分成训练集、验证集以及测试集。

3.根据权利要求2所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S2包括以下步骤：引入一个深度卷积，对NPY矩阵数据进行卷积操作得到初始特征，该操作描述为：上式中，代表NPY矩阵数据，代表进行步幅为，填充大小为的深度卷积。

4.根据权利要求3所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S3包括以下步骤：构建一个多向空间特征提取器MDFE(Multi Directional Feature Extractor)，该操作描述为：引入一组空间分离卷积，对初始特征沿横向、纵向和深度方向，进行连续卷积操作，得到多向空间特征，其表达式如下：上式中，代表进行横向卷积后的输出，代表进行纵向卷积后的输出，表示进行深度方向卷积后的输出，、和合称为多向空间特征，代表进行横向卷积计算，代表进行纵向卷积计算，代表进行深度方向卷积计算。

5.根据权利要求4所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S4中的各子步骤进一步包括：S4.1：所述对多向空间特征的横断面方向切片进行特征提取的计算过程由如下公式表示：上式中，代表横断面特征；

S4.2：对多向空间特征进行上下采样，并通过卷积生成注意力权重，该操作描述为：上式中，代表经过下采样操作后的输出，代表经过卷积操作后的输出，代表经过上采样操作后的输出，代表注意力的权重，代表下采样，表示降低输入的空间分辨率，代表上采样，表示提高输入的空间分辨率，代表归一化；

S4.3：使用注意力权重调整多向空间特征，将其与横断面特征进行融合，该操作描述为：上式中，代表使用注意力权重调整多向空间特征，代表自适应门控注意力模块AGAM的输出。

6.根据权利要求5所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S5中的各子步骤进一步包括：S5.1：设特征的维度为，定义，，；

其中，代表特征的2D扁平化序列，代表特征，代表特征经过Mamba长序列建模后的输出，代表的2D扁平化序列，代表Mamba长序列建模操作；

Mamba长序列建模操作，定义如下：

对进行线性变换，并经过卷积操作，其表达式为：上式中，代表线性变换；

引入参数和，其表达式为：

上式中，代表根据动态生成的输入变换矩阵，代表根据动态生成的输入变换矩阵，代表专门针对的线性变换，代表专门针对的线性变换；

构建状态空间模型，其表达式为：

上式中，代表状态空间模型的隐状态，代表状态空间模型的预测输出，代表状态转移矩阵；

在状态空间模型的基础上，引入动态时间步长，其表达式为：上式中，代表专门针对的线性变换；

构建时变状态空间模型，其表达式为：

上式中，，代表被时间步长离散化后的矩阵，代表对角矩阵，代表自然指数函数；

上式中，代表时变状态空间模型的隐状态，代表时变状态空间模型的预测输出；

将多向空间特征经过Mamba长序列建模操作，得到，其表达式为：上式中，代表多向空间特征经过Mamba长序列建模后的输出；

S5.2：所述将多向空间特征的冠状面、矢状面和横断面的扁平化序列进行Mamba长序列建模的计算过程由如下公式表示：上式中，代表六向Mamba模块HoM的输出，代表多向空间特征矢状面的前方向扁平化序列，代表多向空间特征矢状面的后方向扁平化序列，代表多向空间特征冠状面的上方向扁平化序列，代表多向空间特征冠状面的下方向扁平化序列，代表多向空间特征横断面的左方向扁平化序列，代表多向空间特征横断面的右方向扁平化序列。

7.根据权利要求6所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S6中的各子步骤进一步包括：S6.1：将经过六向Mamba注意力模块HoM和自适应门控注意力模块AGAM强化后的多向空间特征融合起来，得到融合特征，该操作描述为：上式中，代表融合特征；

S6.2：对融合特征进行层归一化平衡特征的分布，然后通过一个多层感知机进行非线性变换和特征映射，进一步增强特征的表达能力，得到强化后的特征，该操作描述为：上式中，代表强化特征，代表多层感知机，代表层归一化。

8.根据权利要求7所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S7中的各子步骤进一步包括：S7.1：所述计算强化特征的通道选择系数的计算过程由如下公式表示：上式中，代表通道选择系数，代表全局平均池化；

S7.2：给定当前的特征维度为C，计算当前维度的通道平均值，得到单尺度特征的归一化表示，该操作描述为：上式中，代表第个通道的强化特征；

使用信息熵公式计算特征的不确定性估计系数，该操作描述为：上式中，是常数，代表信息熵，度量了特征的不确定性，大的熵值表示特征的不确定性高；

S7.3：所述构建通道解析熵模块CPEM筛选强化特征的计算过程由如下公式表示：上式中，代表最终特征。

9.根据权利要求8所述的一种基于多向空间特征的肝肿瘤分割方法，其特征在于，S8包括以下步骤：S8.1：拼接各个尺度的最终特征，得到最终特征图；

S8.2：构建分割头(Segmentation Head)，将最终特征图转化为分割图；

S8.3：使用训练集，验证集和测试集对模型进行训练，验证优化及测试。