技术特征：
1.基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，包括以下步骤：s1、对医学影像数据进行数据预处理；s2、对数据预处理后的医学影像数据进行数据裁剪，得到数据裁剪结果；s3、将数据裁剪结果输入低分辨率的三维全卷积网络，输出voi区域；s4、对voi区域采用各向同性的空间体重采样，作为高分辨率的三维全卷积网络的输入，得到器官分割预测结果a；选取voi区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果b；其中，k为正整数；s5、对器官分割预测结果a与器官分割预测结果b进行融合，得到融合结果；s6、对融合结果进行去噪处理，得到器官分割结果。2.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤s1，具体包括：s11、确定灰度值目标区间以对医学影像数据进行数据截断；s12、对数据截断后保留的医学影像数据使用各向同性的空间体进行重采样；s13、对重采样后的医学影像数据进行z
‑
score处理。3.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤s2，具体包括：随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。4.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述步骤s5，具体包括：predict＝α*predict
a
+β*predict
b
其中，predict为融合结果，predict
a
为器官分割预测结果a，predict
b
为器官分割预测结果b，α、β分别为相应的权重，满足α+β＝1。5.基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述步骤s6中，去噪处理采用提取最大连通区域以去除孤立的噪声区域。6.根据权利要求1所述的基于三维全卷积神经网络及区域生长的医学影像器官分割方法，其特征在于，所述三维全卷积网络采用vnet网络。7.基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，包括：数据预处理模块，用于对医学影像数据进行数据预处理；数据裁剪模块，用于对数据预处理后的医学影像数据进行数据裁剪；低分辨率的三维全卷积网络，以数据裁剪结果作为输入，输出voi区域；重采样模块，用于对voi区域采用各向同性的空间体重采样，得到重采样后的voi区域；高分辨率的三维全卷积网络，以重采样后的voi区域作为输入，输出器官分割预测结果a；区域生长模块，用于选取voi区域中各像素点的置信度由高至低排序中的前k个像素点作为初始种子点，以初始种子点进行区域生长，得到器官分割预测结果b；
融合模块，用于对器官分割预测结果a和器官分割预测结果b进行融合，得到融合结果；去噪模块，用于对融合结果进行去噪处理；输出模块，用于输出去噪后的融合结果，即器官分割结果。8.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述对数据预处理后的医学影像数据进行数据裁剪，包括：随机选取数个种子点并以种子点为中心扩展到指定尺寸对预处理后的医学影像数据进行数据裁剪；同时也采用滑动窗口，以预设步长对预处理后的医学影像数据进行数据裁剪。9.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述器官分割预测结果a与器官分割预测结果b进行融合包括：predict＝α*predict
a
+β*predict
b
其中，predict为融合结果，predict
a
为器官分割预测结果a，predict
b
为器官分割预测结果b，α、β分别为相应的权重，满足α+β＝1。10.根据权利要求7所述的基于三维全卷积神经网络及区域生长的医学影像器官分割系统，其特征在于，所述去噪模块采用提取最大连通区域以去除孤立的噪声区域。