1.一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，该方法具体包括以下步骤：S1：建立训练样本：首先对三维肺部CT图像样本进行预处理，然后将肺结节的横截面、矢状面和冠状面合成一张三通道图片，获得训练样本集，最后采用数据增强的方法扩展样本集；

S2：建立肺结节分割网络；包括建立骨干网络、特征金字塔网络、区域生成网络、ROI生成与对齐网络，以及三个功能分支；

S3：训练肺结节分割网络：利用训练样本对肺结节分割网络进行训练，获得肺结节分割装置；

S4：虚拟医疗环境中重建肺结节和肺部三维图，实现肺结节的检测。

2.根据权利要求1所述的基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，所述步骤S1具体包括以下步骤：S11：将三维肺部CT图像重采样到相同的层厚和间距，然后将CT像素值进行截断，归一化，超过区间的值用线性插值法保留；

S12：结合肺结节坐标和轮廓信息，分别获得肺结节的横截面图、矢状图和冠状图，将三个图作为三个通道，合成一张图片，得到训练样本。

3.根据权利要求1所述的基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，所述步骤S2具体包括以下步骤：S21：采用迁移学习的方法，在骨干网络和预训练参数基础上微调参数，骨干网络自底向上获取图片的不同尺度特征；自底向上分为卷积块Ⅰ、卷积块Ⅱ、卷积块Ⅲ、卷积块Ⅳ、卷积块Ⅴ，输出特征图依次变为输入的一半；

S22：特征网络金字塔层(feature pyramid network,FPN)，自上向下分别为特征金字塔层Ⅴ、特征金字塔层Ⅳ、特征金字塔层Ⅲ、特征金字塔层Ⅱ、特征金字塔层Ⅰ，融合五个尺度上的特征；

S23：每个特征金字塔对应一个区域生成网络(risk priority number,RPN)，自上向下分别为区域生成网络层Ⅴ、区域生成网络层Ⅳ、区域生成网络层Ⅲ、区域生成网络层Ⅱ、区域生成网络层Ⅰ，获得五个尺度下的提议检测框；

S24：在区域生成网络之后接ROI生成和对齐网络，获得调整后的区域；

S25：之后再接三个功能分支，分别获得掩膜，检测框和识别概率。

4.根据权利要求1所述的基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，所述步骤S2中，所述三个功能分支分别为分割，检测和识别。

5.根据权利要求1所述的基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，所述步骤S23中，所述RPN网络采用的损失函数为修改的Focal Loss，定义为：L(Pt)＝-(1-Pt)γlog(Pt)

其中， γ是一个超参数，y∈{0,1}是真实标签，p是预测的概率。

6.根据权利要求1所述的基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法，其特征在于，所述步骤S3具体包括以下步骤：S31：将所有处理后的样本随机分作8:2的比例，分别作为训练样本和验证样本，输入到肺结节分割网络中训练，随后采用交叉验证的方法，获得多次训练结果；

S32：训练分为两步，先训练区域生成网络，再训练整个区域生成网络和功能分支。