1.基于认知深度学习医疗影像自动分割方法，其特征在于，包括：获取不同类型的医疗影像，对所述不同类型的医疗影像进行预处理；

将预处理后的不同类型的医疗影像输入到已训练的多分支卷积神经网络，得到每个分支对应类型的医疗影像的输出特征，其中，每个分支处理一种类型的医疗影像；

通过通道注意力对所述输出特征进行认知，得到输出特征融合权重，包括：将所述输出特征记为为输出特征集F，其中，，其中，R为实数集符号，表示特征图的元素属于实数，C为通道数，H为输出特征的高度，W为输出特征的宽度；对每个通道的输出特征集F中的输出特征执行全局平均池化，获取通道描述符，通道描述符的计算逻辑为：，其中，为第c个通道的通道描述符，为输出特征在第c个通道上高度、宽度m处的元素值；根据所述通道描述符获取输出特征融合权重，特征融合权重的计算逻辑为：，其中，为特征融合权重，为sigmoid激活函数，为ReLU激活函数，和为权重参数，和为偏置参数；

根据所述输出特征和所述输出特征融合权重进行输出特征合并，得到融合分割医疗影像；

对所述融合分割医疗影像进行后处理，完成医疗影像自动分割。

2.根据权利要求1所述的基于认知深度学习医疗影像自动分割方法，其特征在于，所述对所述不同类型的医疗影像进行预处理，包括：对所述不同类型的医疗影像进行归一化，并将归一化后的医疗影像进行对比度增强；

通过弹性变换将预处理后的医疗影像进行对齐，使得不同类型的医疗影像的关键特征的位置一致；

将进行弹性变换后的不同类型的医疗影像进行重采样，使得不同类型的医疗影像的空间分辨率和尺寸一致。

3.根据权利要求1所述的基于认知深度学习医疗影像自动分割方法，其特征在于，所述已训练的多分支卷积神经网络的训练逻辑，包括：获取历史数据集，其中，所述历史数据集包括历史医疗影像数据集和历史分割医疗影像数据集；

根据所述历史数据集进行分支训练，得到医疗影像的输出特征，根据损失函数计算损失，重复训练至小于损失阈值，完成训练。

4.根据权利要求3所述的基于认知深度学习医疗影像自动分割方法，其特征在于，所述损失函数为：，其中，SL为损失函数，n为像素总数，为像素j的真实值，为像素j的预测值，为权重系数，的取值逻辑为：。

5.根据权利要求1所述的基于认知深度学习医疗影像自动分割方法，其特征在于，所述根据所述输出特征和所述输出特征融合权重进行输出特征合并，得到融合分割医疗影像，包括：获取每个通道的输出特征和对应的特征融合权重；

根据所述输出特征和所述特征融合权重计算加权输出特征；

对加权输出特征进行拼接得到融合医疗影像，进行分割，得到融合分割医疗影像。

6.根据权利要求1所述的基于认知深度学习医疗影像自动分割方法，其特征在于，所述对所述融合分割医疗影像进行后处理，包括：对所述融合分割医疗影像通过形态学变换平滑分割边界和填补小孔；

通过高斯滤波器对形态学变换后的融合分割医疗影像进行模糊处理，减少图像噪声。