1.基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，包括以下步骤：(1)获取放大镜下结直肠全景数字病理图片：

(2)将结直肠的全景数字图像分割成5000*5000的分割图像，所有分割图像保留在全景数字图像中的分块坐标，利用滑动窗口和训练的模型对所有分割图像依次标记组织类型，得到带有组织类型标记的5000×5000的分割图像；

(3)训练样本图像的建立：建立深度神经网络模型中所需的8类组织类型的样本，样本大小为150*150；

所述深度神经网络模型包括8层；

图像输入到网络，首先是第一层，第一层包含卷积层、激活层和池化层；第二层包括卷积层、激活层和池化层；第三层包括卷积层和激活层；第四层包括卷积层和激活层；第五层包括卷积层、激活层和池化层；第六层和第七层都包括全连接层、激活层和Dropout层；第八层是输出层，利用Softmax分类器输出结果；

(4)训练Alexnet网络，提取不同组织类型的组织深度特征；

(5)利用分类器和提取的组织深度特征对5000*5000的分割图像中的组织进行类别的判别，得到图像分类结果；

(6)将步骤(5)获取的5000*5000的图像分类结果拼接，判别出整张图片的组织分类；

(7)按照分块坐标将5000*5000的图像进行拼接在一起，获得结直肠全景数字病理图像的分割图像；

步骤(2)所述的训练的模型为利用的深度网络框架caffe训练的一个8层的网络结构，作为深度神经网络模型，基于所述深度神经网络模型进行8类组织类型的分割；

8类组织类型分别为：(a)肿瘤上皮细胞、(b)简单的基质、(c)复杂的基质、(d)免疫细胞团、(e)碎片和粘液、(f)粘膜腺、(g)脂肪组织和(h)背景。

2.根据权利要求1所述的基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，步骤(2)具体包括以下步骤：利用从TCGA数据库下载的结直肠全景数字图像进行预测分割出结直肠全景数字图像当中的8种组织类型；利用训练的深度神经网络模型以及滑动窗口，判断每一个滑动窗口中的组织类型并进行标记，通过滑动窗口的滑动，依次判断检测全景数字图像中的所有区域的组织类型。

3.根据权利要求1所述的基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，所述卷积层基于卷积核检测输入特征映射所有位置上的特定特征，实现同一个输入特征映射上的权值共享；使用不同的卷积核进行卷积操作，提取输入特征映射上不同的特征；

所述激活层通过激活函数进行特征筛选；激活函数为非线性变化函数，包括sigmoid函数、tanh函数、softsign函数和ReLU函数：Sigmoid：

Tanh：

Softsign：

ReLU：R＝max(0,y)；

其中，y为输入参数，R为参数输出，e为指数底数；

池化层进行下采样，对每一个特征映射进行池化操作，采用平均池化或者最大池化。

4.根据权利要求1所述的基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，组织深度特征为通过每一层卷积层中的卷积核进行提取的特征。

5.根据权利要求3所述的基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，所述平均池化根据设定的池化滤波器大小计算特定范围内的像素的均值，滤波器平移步长大于1且小于等于滤波器大小；最大池化是计算特定范围内像素的最大值。

6.根据权利要求1所述的基于深度网络的结直肠全景数字病理图像组织分割方法，其特征在于，滑动窗口的大小为150*150，步长为30。