1.一种基于多借鉴信息的医学影像智能转换方法，其特征在于，所述方法包括：获取待转换MR图像；

将所述待转换MR图像输入医学影像转换模型，所述医学影像转换模型包括编码模块、注意力机制模块、解码模块和多借鉴信息提取模块，所述编码模块对所述待转换MR图像进行编码后提取第一特征图，所述注意力机制模块将所述第一特征图转换为第二特征图，所述第二特征图输入所述解码模块依次经过各个级联的解码层，所述编码模块与所述解码模块之间还采用跳过连接；所述多借鉴信息提取模块提取所述待转换MR图像的若干层多借鉴信息，各层多借鉴信息反映所述待转换MR图像的高维特征并分别输入各个解码层中；所述解码模块中的各个解码层分别获取输入的特征图、输入的多借鉴信息以及编码模块输入的信息并进行解码处理；所述多借鉴信息提取模块包括高维特征预测单元和CT图像解码器，所述CT图像解码器包括若干个级联的解码层，所述CT图像解码器是基于VAE网络训练得到的CT图像自编码单元中的解码器；所述高维特征预测单元包括MR图像编码器和特征预测器，所述MR图像编码器是基于VAE网络训练得到的MR图像自编码单元中的编码器，所述特征预测器基于PixelCNN+网络训练得到；所述MR图像编码器用于提取所述待转换MR图像的高维特征，所述特征预测器用于基于所述待转换MR图像的高维特征生成对应的CT图像的高维特征预测结果；所述CT图像解码器对所述高维特征预测结果进行解码，由CT图像解码器的各个解码层分别输出各层多借鉴信息；根据所述医学影像转换模型的输出得到由所述待转换MR图像转换得到的CT图像。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

分别获取同一个人体组织区域在相同状态下的样本MR图像和样本CT图像作为一对样本组；

对于每一个样本组，获取当前的样本组中的样本MR图像经过预先训练得到的MR图像自编码单元中的编码器后提取得到的MR高维特征，获取当前的样本组中的样本CT图像经过预先训练得到的CT图像自编码单元中的编码器后提取得到的CT高维特征；

将每个样本组提取得到的MR高维特征作为输入、CT高维特征作为输出，利用各个样本组基于PixelCNN+网络训练得到所述特征预测器；

基于训练得到的特征预测器、MR图像自编码单元和CT图像自编码单元，将每个样本组中的样本MR图像作为输入、样本CT图像作为输出，训练得到所述医学影像转换模型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所有样本MR图像基于VAE网络训练得到所述MR图像自编码单元，所述MR图像自编码单元中包括编码器和解码器；

利用所有样本CT图像基于VAE网络训练得到所述CT图像自编码单元，所述CT图像自编码单元中包括编码器和解码器。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采用基于特征的刚性配准方法Morphons对样本MR图像和样本CT图像进行变形配准；

利用完成图像配准操作的样本组进行模型训练。

5.根据权利要求4所述的方法，其特征在于，所述利用完成图像配准操作的样本组进行模型训练，包括：采用随机裁剪和位置变换的方法对完成图像配准操作的样本组构成的原始数据集进行数据集扩充，得到不改变原始数据集的医学信息的扩充数据集；

利用所述扩充数据集进行模型训练。

6.根据权利要求2所述的方法，其特征在于，

在训练所述医学影像转换模型的过程中，基于总体损失Ltotal使用网格寻优法进行模型训练，所述总体损失：Ltotal＝λl1L1+λstyLstyle+λperLperceptual+λadvLadversarial；

其中，L1表示L1损失，Ladversarial表示对抗损失且基于判别器生成，Lperceptual表示感知损失，Lstyle表示样式损失，感知损失和样式损失基于VGG特征提取器生成，λl1、λsty、λper、λadv分别为各个损失的权重。

7.根据权利要求2所述的方法，其特征在于，

在训练所述医学影像转换模型的过程中，分别利用样本组进行若干次平行训练，并将评价指标最优的模型作为最终的所述医学影像转换模型；所述评价指标包括峰值噪声比、结构相似度和均方误差中的至少一种。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述待转换MR图像的图像预处理操作和所述医学影像转换模型进行集成封装，并采用Django框架提供调用接口实现转换平台的便捷使用；

所述图像预处理操作包括对所述待转换MR图像进行切片操作生成二维图像，并进行配准操作。