1.一种基于三维残差卷积神经网络的CT影像肺结节检测方法，其特征在于：所述检测方法包括训练过程和测试过程，所述训练过程包括步骤一至步骤六，

步骤一，对原始CT影像预处理，包括将体素间距转换为(1,1,1)，转换世界坐标为体素坐标；

步骤二，截取CT影像中完全包含肺结节的立方体样本，尺寸为32*32*32，作为正样本；

再截取完全不包含结节的同样尺寸样本，作为负样本；

步骤三，根据样本的HU值统计分布，选取合适的HU值作为标准化范围，其中选取最小值为空气HU值-1000，将数据标准化为[0,1]；

步骤四，构建三维卷积神经网络模型；

步骤五，设定模型超参数，所述模型超参数包括优化器、batch_size、epoch数量、每个epoch中batch的数量，以mini-batch的形式将数据导入模型训练；

步骤六，模型训练充分收敛后，保存并导出模型结构及权重参数；

所述测试过程包括步骤七：

步骤七，对测试CT影像进行检测，过程如下：

步骤7.1：对测试CT影像使用步骤一所述方法进行预处理；

步骤7.2：导入训练完成的三维卷积神经网络；

步骤7.3：制作滑动采样立方体，设置滑动步长，以滑动样本的形式逐个导入模型；

步骤7.4：根据模型计算得到的置信度，选取置信度高于设定阈值的样本为结节所在样本；

步骤7.5：对于滑动样本的重复样本，采用非极大值抑制算法，删除重复样本。

2.如权利要求1所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法，其特征在于：所述步骤三中，数据标准化的方式为x＝(x-min)/(max-min)。

3.如权利要求1或2所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法，其特征在于：所述步骤四中，构建三维卷积神经网络的过程为：步骤4.1：样本经过卷积模块conv_block提取局部特征，其中卷积模块内顺序包括Batch Normalization层、激活函数、三维卷积层及Maxpooling层；

步骤4.2：样本经过AveragePooling操作，提取全局特征；

步骤4.3：步骤4.1与步骤4.2的特征经过merge操作，组成完整特征；

步骤4.4：经过四次步骤4.1、步骤4.2和步骤4.3流程，再经过第五个conv_block及全局池化GlobalMaxPooling；

步骤4.5：将上述步骤4.4得到的特征通过全连接分类器dense_block，其内部顺序包括全连接层fc1、batch normalization、LeakyReLU激活函数和全连接层fc2，最后得到输出结果。

4.如权利要求1或2所述的一种基于三维残差卷积神经网络的CT影像肺结节检测方法，其特征在于：所述步骤7.5中，非极大值抑制算法在单个病例的操作步骤为：步骤7.5.1：样本在计算中以三维数组的形式表达，三维数组索引的数量作为样本的体积volume，在滑动采样的过程中，保留样本在原始CT数组中的索引；

步骤7.5.2：设置信度阈值为tpredict，选择高于tpredict的样本作为检测的结节样本，其中置信度最高的作为标准样本，其余样本与标准样本依次计算重叠度IoU；

步骤7.5.3：当前样本与标准样本中，重复的数组索引的数量记为重叠区域的体积intersect_volume；

步骤7.5.4：计算当前样本与标准样本的体积和，减去重叠体积intersect_volume，记为合并体积union_volume；

步骤7.5.5：重叠度IoU计算为：IoU＝intersect_volume/union_volume，设定IoU阈值toverlap，将所有与标准样本的重叠度大于toverlap的样本忽略。