1.一种交互式三维医学图像分割方法，所述方法以计算机断层扫描数据即CT数据为应用对象，其特征在于，所述方法包括以下步骤：
（1.1）预处理阶段：即对原始CT数据进行裁剪、标准化预处理，具体如下：
（1.1.1）对原始CT数据，采用确定窗口尺寸，将目标及其周围进行裁剪，所得数据看作一个样本数据；
（1.1.2）对每一个CT样本数据，根据其病灶的均值和方差进行标准化预处理；
（1.2）训练阶段：将上述经预处理的CT样本数据输入基于视觉基模型SAM（Segment Anything Model）的交互式三维医学图像分割神经网络中进行学习；所述分割神经网络包括基于视觉基模型的图像编码器和轻量解码器两个部分，其中，基于视觉基模型的图像编码器保持视觉基模型SAM的视觉Transformer特征提取结构，将低秩适应器和全连接适应器结合使用，插入于视觉基模型SAM的主干网络中，将三维图像的切片以二维形式进行编码；
轻量解码器在解码部分，使用三维卷积提升不同切片间的信息传递，将提取的特征F输入到卷积神经网络解码器中，实现对输入图像的分割，并采用梯度下降法进行网络参数更新；
（1.3）测试阶段：将待分割数据使用三维编码提取策略进行在线学习，进一步更新模型，具体如下：
（1.3.1）基于已训练好的网络模型，对测试数据进行预分割和手动标注，并将此过程中得到的标注点击信息进行三维编码；
（1.3.2）对三维球状编码Q，采用提示编码器 ，提升三维球状编码的特征提取能力；该提示编码器使用步幅分别为 4 和 2 的卷积层将点击编码进行两次降采样，每一次降采样之后，使用配对注意力模块进行特征提取，最后通过全连接层得到映射后的特征 ，将用户信息映射到三维图片特征空间；
（1.3.3）将用户点击的三维编码特征 与图像的词符编码特征 相加融合，融合后特征 输入给图像特征提取模块，得到综合特征提取结果F；
（1.3.4）将综合特征提取结果F输入到解码器中，实现对输入图像的分割；
（1.3.5）基于用户点击所得分割结果和模型预测结果，使用交叉熵损失函数和 Dice损失函数的结合，以梯度反向传播的方式对模型进行在线更新，将用户经验通过点击反馈的形式有机地融入到模型的训练过程中，进一步提升模型的准确性。
2.根据权利要求1所述的一种交互式三维医学图像分割方法，其特征在于，所述步骤（1.2）训练阶段中基于视觉基模型的图像编码器具体方法如下：
首先，将每个二维切片图像I进行词符编码，得到编码后的特征 ，其中 为词符嵌入层；具体采用卷积核尺寸为16×16、步幅为16的二维卷积层对图像I进行降采样的词符编码，并用卷积核长度为16、步幅为16的一维卷积层在切片维度上进行降采样；
然后，对图像I上的每个像素点进行三维位置编码，包括可学习的二维空间位置编码和可学习的一维深度位置编码，将二者组合得到三维空间位置编码；其中，位置编码为每个像素位置生成一个固定维度的向量，该向量包含了该位置的正弦和余弦值，将二者沿通道维度堆叠，得到该点的位置编码特征；
最后，采用视觉基模型的图像编码器提取特征F；图像编码器包括2个降采样卷积层和
12个注意力机制模块，注意力机制模块的参数采用视觉基模型的预训练参数，并且加入了2个低秩适应器和1个全连接适应器，以提升对新数据的适应能力。
3.根据权利要求2所述的一种交互式三维医学图像分割方法，其特征在于，所述采用视觉基模型的图像编码器提取特征F具体方法如下：
（3.1）低秩适应器中，对于预训练的权重矩阵 ，通过低秩分解来限制其更新：
，
其中，h为低秩适应器的输出，x为低秩适应器的输入，在训练过程中， 被冻结且不接收梯度更新，低秩矩阵A和B代替原高阶权重矩阵且包含可训练的参数；
(3.2）全连接适应器中，对于视觉基模型SAM中视觉 Transformer 模块线性层的输出，通过增加一个线性层，使得该模块输出  为：
，
其中， 是线性层组成的网络，是可学习的向量，其维度与模型隐空间一致。
4.根据权利要求1所述的一种交互式三维医学图像分割方法，其特征在于，所述步骤（1.2）训练阶段中，轻量解码器在解码部分的具体方法如下：
首先，将已提取特征F输入到两个不同步幅的卷积层，实现不同尺度特征的提取：
，
其中， 、 和 分别是步幅为1、2和4的卷积层，该卷积层采用分组卷积，将输入通道分成三组，每组分别用共享的卷积核进行卷积；
其次，采用共享线性变换 将 和 两种多尺度特征做进一步映射：
，
将映射后特征连同 ，使用插值算法调整到同样尺寸并进行堆叠得到 ：
，
然后，采用深度注意力机制进行三维图像深度方向的信息传递：
1）提取高度方向的全局特征：
，
其中，  为二维的全局特征提取函数，即高效平均池化操作，将高和宽维度压缩，保留深度维度，将特征从三维变成一维；
2）采用自注意力机制，得到深度方向信息传递后的特征 ：
，
其中，SA为自注意力操作；
3）采用 对原始特征进行尺度缩放调整，实现对三维医学图像不同切片间信息的传递：
；
最后，采用全连接层构成的预测网络 ，实现对输入数据的分割：
。
5. 根据权利要求2所述的一种交互式三维医学图像分割方法，其特征在于，所述步骤（1.3.1）进行三维编码的具体方法如下：
首先，对三维空间中的每个体素 ，计算其位置 与用户点击位置 的距离 ，即，
对每个体素求出其与所有用户点击最近距离 ，即
，
其中，N为用户点击数；
然后，对此距离进行二值化处理，得到三维球状编码Q，确保用户点击位置附近球状区域是1，其余区域为0，标记用户点击位置，取值描述当前体素与用户点击的距离；
最后，将用户的点击分为正向点击和负向点击两个点集，分别计算三维球状编码后的结果堆叠为两通道的三维体素，将点击信息编码为三维形式。