1.一种智慧医疗信息管理系统，其特征在于，包括：

医疗影像数据采集模块，用于获取待处理医疗影像数据；

图像切分模块，用于对所述待处理医疗影像数据进行图像块切分以得到医疗影像图像块的序列；

图像特征提取模块，用于将所述医疗影像图像块的序列中的各个医疗影像图像块分别通过包含双向注意力机制的卷积神经网络模型以得到多个医疗影像图像块特征矩阵；

特征优化模块，用于对所述多个医疗影像图像块特征矩阵进行特征分布优化以得到多个优化后医疗影像图像块特征矩阵；

全局排列模块，用于将所述多个优化后医疗影像图像块特征矩阵按照图像块切分的位置排列为医疗影像全局特征矩阵；

全局特征关联模块，用于将所述医疗影像全局特征矩阵通过非局部神经网络模型以得到解码特征矩阵；以及医疗影像数据生成模块，用于将所述解码特征矩阵通过解码器以得到生成医疗影像数据；

其中，所述特征优化模块，包括：

优化因数计算单元，用于分别计算所述各个医疗影像图像块特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数；以及加权优化单元，用于以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个医疗影像图像块特征矩阵进行加权优化以得到多个优化后医疗影像图像块特征矩阵。

2.根据权利要求1所述的智慧医疗信息管理系统，其特征在于，所述图像特征提取模块，包括：降维单元，用于计算所述医疗影像图像块的序列中的各个医疗影像图像块的各个位置沿通道维度的均值以得到医疗影像图像块矩阵的序列；

双向池化单元，用于将所述医疗影像图像块矩阵的序列中的各个医疗影像图像块矩阵分别沿着水平方向和垂直方向进行池化以得到多个第一向池化向量和多个第二向池化向量；

池化关联编码单元，用于对所述多个第一向池化向量和所述多个第二向池化向量进行关联编码以得到多个医疗影像双向关联矩阵；

激活单元，用于将所述多个医疗影像双向关联矩阵输入Sigmoid激活函数以得到多个医疗影像注意力矩阵；

矩阵展开单元，用于将所述医疗影像图像块矩阵的序列中的各个医疗影像图像块矩阵和所述多个医疗影像注意力矩阵分别展开为特征向量以得到多个医疗影像图像块向量和多个医疗影像注意力向量；

优化特征融合单元，用于融合所述多个医疗影像图像块向量和所述多个医疗影像注意力向量以得到医疗影像融合关联向量；以及维度重构单元，用于将所述医疗影像融合关联向量进行维度重构以得到所述多个医疗影像图像块特征矩阵。

3.根据权利要求2所述的智慧医疗信息管理系统，其特征在于，所述优化因数计算单元，用于：以如下优化公式分别计算所述各个医疗影像图像块特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数；

其中，所述优化公式为：

，

其中， 是第 个所述医疗影像图像块特征矩阵的第 个行向量或者列向量，表示 函数， 表示 函数， 表示将各个向量级联，且 表示向量的二范数的平方， 表示所述多个基于凸分解的特征几何度量的逐片近似因数中第 个基于凸分解的特征几何度量的逐片近似因数。

4.根据权利要求3所述的智慧医疗信息管理系统，其特征在于，所述全局特征关联模块，包括：第一点卷积单元，用于将所述医疗影像全局特征矩阵通过所述非局部神经网络模型的第一点卷积层以得到第一特征图；

第二点卷积单元，用于将所述医疗影像全局特征矩阵通过所述非局部神经网络模型的第二点卷积层以得到第二特征图；

第三点卷积单元，用于将所述医疗影像全局特征矩阵通过所述非局部神经网络模型的第三点卷积层以得到第三特征图；

第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到第一融合特征图；

归一化单元，用于将所述第一融合特征图通过Softmax函数以对所述第一融合特征图中各个位置的特征值进行归一化处理以得到归一化第一融合特征图；

第二融合单元，用于计算所述归一化第一融合特征图和所述第三特征图之间的按位置加权和以得到第二融合特征图；

全局感知单元，用于以嵌入高斯相似性函数计算所述第二融合特征图中各个位置间的相似性度量值以得到全局感知特征矩阵；以及第三融合单元，用于计算所述全局感知特征矩阵和所述医疗影像全局特征矩阵的按位置加权和以得到所述解码特征矩阵。

5.根据权利要求4所述的智慧医疗信息管理系统，其特征在于，所述医疗影像数据生成模块，用于：使用所述解码器的多个全连接层以如下解码回归公式对所述解码特征矩阵进行解码回归以获得所述生成医疗影像数据，其中，所述解码回归公式为： ，其中，是所述解码特征矩阵， 是所述生成医疗影像数据， 是权重矩阵， 表示矩阵乘。

6.一种智慧医疗信息管理方法，其特征在于，包括：

获取待处理医疗影像数据；

对所述待处理医疗影像数据进行图像块切分以得到医疗影像图像块的序列；

将所述医疗影像图像块的序列中的各个医疗影像图像块分别通过包含双向注意力机制的卷积神经网络模型以得到多个医疗影像图像块特征矩阵；

对所述多个医疗影像图像块特征矩阵进行特征分布优化以得到多个优化后医疗影像图像块特征矩阵；

将所述多个优化后医疗影像图像块特征矩阵按照图像块切分的位置排列为医疗影像全局特征矩阵；

将所述医疗影像全局特征矩阵通过非局部神经网络模型以得到解码特征矩阵；以及将所述解码特征矩阵通过解码器以得到生成医疗影像数据；

其中，对所述多个医疗影像图像块特征矩阵进行特征分布优化以得到多个优化后医疗影像图像块特征矩阵，包括：分别计算所述各个医疗影像图像块特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数；以及以所述多个基于凸分解的特征几何度量的逐片近似因数作为加权系数对所述多个医疗影像图像块特征矩阵进行加权优化以得到多个优化后医疗影像图像块特征矩阵。

7.根据权利要求6所述的智慧医疗信息管理方法，其特征在于，将所述医疗影像图像块的序列中的各个医疗影像图像块分别通过包含双向注意力机制的卷积神经网络模型以得到多个医疗影像图像块特征矩阵，包括：计算所述医疗影像图像块的序列中的各个医疗影像图像块的各个位置沿通道维度的均值以得到医疗影像图像块矩阵的序列；

将所述医疗影像图像块矩阵的序列中的各个医疗影像图像块矩阵分别沿着水平方向和垂直方向进行池化以得到多个第一向池化向量和多个第二向池化向量；

对所述多个第一向池化向量和所述多个第二向池化向量进行关联编码以得到多个医疗影像双向关联矩阵；

将所述多个医疗影像双向关联矩阵输入Sigmoid激活函数以得到多个医疗影像注意力矩阵；

将所述医疗影像图像块矩阵的序列中的各个医疗影像图像块矩阵和所述多个医疗影像注意力矩阵分别展开为特征向量以得到多个医疗影像图像块向量和多个医疗影像注意力向量；

融合所述多个医疗影像图像块向量和所述多个医疗影像注意力向量以得到医疗影像融合关联向量；以及将所述医疗影像融合关联向量进行维度重构以得到所述多个医疗影像图像块特征矩阵。

8.根据权利要求7所述的智慧医疗信息管理方法，其特征在于，分别计算所述各个医疗影像图像块特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到多个基于凸分解的特征几何度量的逐片近似因数，包括：以如下优化公式分别计算所述各个医疗影像图像块特征矩阵的基于凸分解的特征几何度量的逐片近似因数以得到所述多个基于凸分解的特征几何度量的逐片近似因数；

其中，所述优化公式为：

，

其中， 是第 个所述医疗影像图像块特征矩阵的第 个行向量或者列向量，表示 函数， 表示 函数， 表示将各个向量级联，且 表示向量的二范数的平方， 表示所述多个基于凸分解的特征几何度量的逐片近似因数中第 个基于凸分解的特征几何度量的逐片近似因数。