1.一种基于深度学习的脑血肿分割方法，其特征在于，包括：

构建神经网络模型，所述神经网络模型包括若干顺序连接的图像信息压缩模块和若干顺序连接的图像信息融合模块，其中，所述图像信息压缩模块包括依次顺序连接的第一自注意力卷积单元、第二自注意力卷积单元和池化层，所述图像信息融合模块包括依次顺序连接的上采样单元、特征图拼接单元和第三自注意力卷积单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积单元用于对其输入的图像进行特征提取，所述池化层用于对其输入的图像进行降维处理，所述上采样单元用于对其输入的图像进行上采样，所述特征图拼接单元用于将其输入的采样图像与同一级第二注意力卷积单元输出的降维图像在通道方向拼接，所述第三自注意力卷积单元用于对拼接后的图像进行多尺度融合；同一级的第二注意力卷积单元和特征图拼接单元满足如下条件：所述第二注意力卷积单元输出图像的维度与所述特征图拼接单元输入图像的维度相同；

获取脑CT样本图像；

以所述脑CT样本图像为输入，以所述脑CT样本图像中各像素点的出血情况为标签，对所述神经网络模型进行训练；

采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别。

2.根据权利要求1所述的基于深度学习的脑血肿分割方法，其特征在于，所述第三自注意力卷积单元包括顺序连接的第一自注意力卷积子单元和第二自注意力卷积子单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积子单元与所述第二自注意力卷积单元的结构参数相同。

3.根据权利要求1所述的基于深度学习的脑血肿分割方法，其特征在于，所述采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别，具体包括：将所述待分割脑CT图像输入训练好的神经网络模型，确定出血区域的位置。

4.根据权利要求3所述的基于深度学习的脑血肿分割方法，其特征在于，所述采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别，还包括：统计出血像素点，根据出血像素点计算出血面积。

5.根据权利要求4所述的基于深度学习的脑血肿分割方法，其特征在于，所述采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别，还包括：根据所述脑CT图像的切片厚度、切片层数以及每层脑CT图像的出血面积，计算脑血肿的体积。

6.一种基于深度学习的脑血肿分割系统，其特征在于，包括：

神经网络模型构建模块，用于构建神经网络模型，所述神经网络模型包括若干顺序连接的图像信息压缩模块和若干顺序连接的图像信息融合模块，其中，所述图像信息压缩模块包括依次顺序连接的第一自注意力卷积单元、第二自注意力卷积单元和池化层，所述图像信息融合模块包括依次顺序连接的上采样单元、特征图拼接单元和第三自注意力卷积单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积单元用于对其输入的图像进行特征提取，所述池化层用于对其输入的图像进行降维处理，所述上采样单元用于对其输入的图像进行上采样，所述特征图拼接单元用于将其输入的采样图像与同一级第二注意力卷积单元输出的降维图像在通道方向拼接，所述第三自注意力卷积单元用于对拼接后的图像进行多尺度融合；同一级的第二注意力卷积单元和特征图拼接单元满足如下条件：所述第二注意力卷积单元输出图像的维度与所述特征图拼接单元输入图像的维度相同；

样本图像获取模块，用于获取脑CT样本图像；

神经网络模型训练模块，用于以所述脑CT样本图像为输入，以所述脑CT样本图像中各像素点出血情况为标签，对所述神经网络模型进行训练；

脑出血识别模块，用于采用训练好的神经网络模型对待分割脑CT图像进行脑出血识别。

7.根据权利要求6所述的基于深度学习的脑血肿分割系统，其特征在于，所述第三自注意力卷积单元包括顺序连接的第一自注意力卷积单元和第二自注意力卷积子单元，所述第一自注意力卷积单元用于降低其输入图像的通道数，所述第二自注意力卷积子单元与所述第二自注意力卷积单元的结构参数相同。

8.根据权利要求6所述的基于深度学习的脑血肿分割系统，其特征在于，所述脑出血识别模块，具体包括：将所述待分割脑CT图像输入训练好的神经网络模型，确定出血区域的位置。

9.根据权利要求8所述的基于深度学习的脑血肿分割系统，其特征在于，所述脑出血识别模块还包括：统计出血像素点，根据出血像素点计算出血面积。

10.根据权利要求9所述的基于深度学习的脑血肿分割系统，其特征在于，所述脑出血识别模块还包括：根据所述脑CT图像的切片厚度、切片层数以及每层脑CT图像的出血面积，计算脑血肿的体积。