1.一种残差ECA通道注意力UNet结合TRW‑S的肺结节分割方法，其特征在于，它包括以下步骤：步骤1：读取肺部CT影像，对影像进行预处理；

步骤2：切割出肺结节图片并生成对应的掩膜；

步骤3：对获取的肺结节图片及对应的掩膜进行数据集的划分以获得训练集、验证集、测试集；

步骤4：构建残差ECA通道注意力UNet深度学习网络；

步骤5：将所获得的训练集、验证集输入构建的深度学习网络中进行训练；

步骤6：将所获得的测试集输入训练好的网络中以获得预测图；

步骤7：将预测图输入基于马尔科夫随机场的顺序树加权信息传递算法(TRW‑S)进行边缘平滑；

步骤8：输出预测图像。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，读取目标数据集中指定格式的肺部CT影像；将CT影像的窗位、窗宽进行调整。

3.根据权利要求1所述的方法，其特征在于，在步骤2中，切割出CT图像中具有肺结节的部分，并生成肺结节对应的掩膜图片。

4.根据权利要求1所述的方法，其特征在于，在步骤4中，所构建的残差ECA通道注意力UNet深度学习网络具体为：输入层→卷积模块→第一个残差ECA通道注意力模块→第一个最大池化层→第二个残差ECA通道注意力模块→第二个最大池化层→第三个残差ECA通道注意力模块→第三个最大池化层→第四个残差ECA通道注意力模块→第四个最大池化层→空洞卷积金字塔模块→第一次两倍上采样；

第一次两倍上采样形成的特征图与第四个残差ECA通道注意力模块形成的特征图进行通道融合→第一个ECA通道注意力模块→第二次两倍上采样；

第二次两倍上采样形成的特征图与第三个残差ECA通道注意力模块形成的特征图进行通道融合→第二个ECA通道注意力模块→第三次两倍上采样；

第三次两倍上采样形成的特征图与第二个残差ECA通道注意力模块形成的特征图进行通道融合→第三个ECA通道注意力模块→第四次两倍上采样；

第四次两倍上采样形成的特征图与第一个残差ECA通道注意力模块形成的特征图进行通道融合→第四个ECA通道注意力模块→卷积模块→sigmoid函数→预测图。

5.根据权利要求1所述的方法，其特征在于，在步骤5中，在进行神经网络的训练时，使用二元交叉熵与置信度结合的损失函数，使用Nadam作为优化函数，使用交并比作为模型的评价指标。

6.根据权利要求1所述的方法，其特征在于，在步骤7中对预测图构建马尔科夫随机场，对二元项进行平滑处理，提高分割效果的边缘连续性与区域内部一致性，具体包括以下步骤：

7‑1)在深度学习网络输出的灰度预测图中构建马尔科夫随机场，将图像的每个像素作为马尔科夫随机场的一个节点，使用像素灰度值作为节点的一元项权重；

7‑2)构建基于马尔科夫随机场的顺序树加权信息传递算法(TRW‑S)对分割边缘进行二元项平滑，其中的一元项权重即通过分割网络产生的分割结果的像素数值大小。