1.一种动脉瘤分割方法，其特征在于，包括：获取原始图像数据，所述原始图像数据包含血管信息；基于所述血管信息生成三维血管数据；将所述三维血管数据输入动脉瘤分割模型中，得到所述动脉瘤分割模型输出的动脉瘤分割结果；其中，基于三维血管样本集和动脉瘤标注信息训练得到所述动脉瘤分割模型；所述三维血管样本集为对原始样本数据集中的每一原始样本数据进行血管提取处理后所得的三维血管样本数据的集合；所述基于三维血管样本集和动脉瘤标注信息训练得到所述动脉瘤分割模型包括：获取所述原始样本数据集；基于预设提取算法对所述原始样本数据集中的每一原始样本数据进行血管提取处理，得到所述三维血管样本集；将原始样本数据集中的每一原始样本数据对应的动脉瘤标注信息映射至所述三维血管样本集中与每一原始样本数据对应的每一三维血管样本数据上，得到目标血管样本集；将所述目标血管样本集输入初始分割模型中进行训练，得到所述动脉瘤分割模型；所述初始分割模型包含编码结构和解码结构，所述将所述目标血管样本集输入初始分割模型中进行训练包括：将所述目标血管样本集中的目标血管样本数据输入所述编码结构中进行M次特征提取处理，得到中间特征数据；将所述中间特征数据输入所述解码结构中进行M次上采样处理，得到目标特征数据；基于目标特征数据和预设输出函数确定所述目标血管样本数据中每一节点的节点预测结果；基于所述节点预测结果、所述目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值；根据所述损失值确定是否输出所述动脉瘤分割模型；在所述将所述目标血管样本集中的目标血管样本数据输入所述编码结构中进行M次特征提取处理中，所述特征提取处理包括：通过FPS算法确定当前进行所述特征提取处理的特征数据的分组中心点；根据所述分组中心点对当前的特征数据中的节点进行分组，得到多个节点分组；通过卷积算法对每一节点分组中的节点特征进行特征融合，并且通过最大池化确定每一节点分组的分组特征，得到更新的特征数据；将所述中间特征数据输入所述解码结构中进行M次上采样处理，得到目标特征数据；在所述将所述中间特征数据输入所述解码结构中进行M次上采样处理中，所述上采样处理包括：基于j个第一中心点以及第二中心点确定j个节点距离；所述j个第一中心点为第k次进行所述上采样处理的特征数据的分组中心点中与所述第二中心点距离最近的j个中心点；所述第二中心点为第M+1-k次进行所述特征提取处理的特征数据中的分组中心点；根据所述j个节点距离确定j个插值权重；根据所述j个插值权重和所述j个第一中心点的特征向量对所述第二中心点的特征向量进行更新。
2.根据权利要求1所述的动脉瘤分割方法，其特征在于，所述基于所述节点预测结果、所述目标血管样本数据的动脉瘤标注信息和预设损失函数确定损失值包括：根据所述目标血管样本数据的动脉瘤标注信息确定所述目标血管样本数据中每一节点的真实值；根据每一节点的节点预测结果、每一节点的真实值和所述预设损失函数确定所述损失值。
3.根据权利要求2所述的动脉瘤分割方法，其特征在于，所述根据每一节点的节点预测结果、每一节点的真实值和所述预设损失函数确定所述损失值包括：将每一节点的节点预测结果和每一节点的真实值输入所述预设损失函数，得到所述损失值；所述预设损失函数为：其中，y i 为第i个节点的真实值，z i 为第i个节点的节点预测结果，N为节点数量。
4.根据权利要求1所述的动脉瘤分割方法，其特征在于，所述根据所述损失值确定是否输出所述动脉瘤分割模型包括：若训练迭代次数达到预设次数，和/或若在每一损失值中连续x次得到的损失值不降低，则停止更新所述初始分割模型的模型参数并输出所述动脉瘤分割模型。
5.根据权利要求1所述的动脉瘤分割方法，其特征在于，所述基于预设提取算法对所述原始样本数据集中的每一原始样本数据进行血管提取处理包括：通过阈值提取算法或深度学习算法对每一原始样本数据进行血管数据提取，得到血管提取信息；通过MarchingCubes算法对每一原始样本数据对应的血管提取信息进行三维血管还原，得到每一原始样本数据对应的三维血管样本数据。
6.一种电子设备，其特征在于，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
7.一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-5中任一项所述的方法。
