1.基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，包括以下步骤：S1.骨骼CT图像预处理，其具体包括：

S11.对训练集样本进行数据扩充，即随机旋转、随机镜像和随机裁剪；

S12.对步骤S11中所述训练集样本和待分割骨骼CT图像进行图像预处理，得到预处理图像样本和预处理待分割骨骼CT图像；

S2.多视角分离卷积神经网络的训练，其具体包括：

S21.构建以编码‑解码结构的多视角分离卷积神经网络，其由多个多视角分离卷积模块构成；

S22.利用步骤S12中所述预处理图像样本对步骤S21所述多视角分离卷积神经网络进行训练，通过反向传播优化模型参数，得到多视角分离卷积神经网络参数模型；

S3.利用步骤S22所述的多视角分离卷积神经网络参数模型对预处理待分割骨骼CT图像进行自动分割；

步骤S21所述的多视角分离卷积模块：多视角分离卷积模块作为多视角分离卷积神经网络基础模块，由两个同样的多视角分离卷积子模块构成；

所述多视角分离卷积子模块的前一子模块的输出作为后一子模块的输入，多视角分离卷积模块的输入通过残差路径连接到后一子模块的输出形成多视角分离卷积模块的整体输出；

步骤S22中多视角分离卷积神经网络训练包括：构建基于轮廓区域相似程度的损失函数度量训练样本输出损失，通过样本的预测结果与真实标记之间产生的误差反向传播指导网络参数学习与表示学习，使用梯度下降法进行迭代优化模型参数；所述损失函数为Jaccard，公式如(1)所示：公式(1)中，Lseg为输出损失，Pi是体素i的预测概率，Yi是与真实数据一致的独热编码标签，ε为小常数防止分母为0。

2.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法,其特征在于步骤S12所述预处理包括：将CT图像调整至合适的窗宽窗位，使用高斯平滑对图像进行去噪，对图像零均值一方差标准化后获得预处理图像。

3.根据权利要求1所述的基于多视角分离卷积神经网络的骨骼CT图像三维分割方法，其特征在于，所述多视角分离卷积子模块运行方法为：(1)所述子模块将输入特征图划分为四组，四个分支以串行方式卷积；

(2)通过1×3×3,3×1×3,3×3×1三种不同视角的2D卷积核对三维图像的三个正交视图信息进行编码；

(3)上一个分支卷积的特征映射作为残差添加到下一个分支；

(4)对执行到第四个分支的输入特征图使用最大池化下采样，接着使用1×3×3卷积核对特征图进行卷积，然后使用三线性插值上采样恢复图像分辨率；

(5)通过级联的方法将四组卷积特征提取框架提取的特征联合起来；

(6)最后使用1×1×1卷积核对来自不同分支的特征进行信息融合获得三维图像的多尺度和多视角上下文信息作为子模块的输出。