1.基于卷积神经网络的MRI肿瘤体素检测方法，其特征在于，包括以下步骤：步骤1：以AlexNet模型为基础，建立双路径双卷积核3D CNN模型基本框架，上下路径分别采用大、小卷积核，上下路径均采用了两个卷积层；步骤2：在步骤1的第二个卷积层之前加入1×1×1卷积核来减少参数和计算量；步骤3：采用3D CNN模型在数据集上训练，通过分类结果中的假阳性和假阴性样本加入原数据集；步骤4：将3D CNN模型全连接层换成卷积层，即将3D CNN模型变成3D FCN模型，用此模型在扩充过的数据上训练，得到最终MRI肿瘤体素分类模型。

2.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法，其特征在于：所述步骤1具体包括：首先以AlexNet为基本模型架构，删减部分层数，架构主体由2个卷积层、

2个全连接层、1个输出层组成；每个卷积层后依次连接ReLU激活函数、最大池化层和LRN规范化层，2个全连接层依次相连，第2个全连接层后依次连接Dropout层和目标函数层；模型接收3D MRI体素作为输出。

3.根据权利要求2所述的基于卷积神经网络的MRI肿瘤体素检测方法，其特征在于：双路径中，上路径采用21×21×11的大卷积核提取特征，充分提取病灶区域和周边正常组织的特征；下路径采用7×7×3的小卷积核提取特征，提取病灶区域自身特征的同时减少了信息的冗余。

4.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法，其特征在于：所述步骤2的具体过程为：在第二个卷积层之前添加一个卷积层，卷积核大小为1×1×1，，通道数利用经验设定，同时减少第二个卷积层的通道数，以上步骤将会显著降低参数和计算量。

5.根据权利要求1所述的基于卷积神经网络的MRI肿瘤图像检测方法，其特征在于：所述步骤3的具体过程为：步骤3.1将原始3D MRI体素图像作为经步骤1和步骤2改良模型的输入，随后进行前向传播时随机初始化模型参数，随机参数服从标准正态分布，利用Softmax函数做为目标函数得到输出结果，Softmax函数如下：其中类y表示病灶种类，即阳性还是阴性，x代表输入的3D MRI体素值，θ代表模型中的参数，Softmax函数分类器的优点在于对于每一个类别值，都会输出一个对应的概率值，即P(y＝j|x)，同时所有类别概率值之和为1；

步骤3.2得到输出结果与真实标记进行比对，利用Softmax回归损失函数计算输出结果与真实标记之间的损失，Softmax回归损失函数如下：其中m表示样本个数，k表示样本种类，Ι{·}表示指示函数，J(θ)表示系统损失值；

步骤3.3进行反向传播，利用随机梯度下降法进行参数更新：

即通过对损失函数求其偏导数，将结果作为梯度值来更新参数：

其中α表示每次参数更新的步长；

步骤3.4设定一个阀值，每次参数变化量Δθ小于此阀值，停止更新参数，否则跳转步骤

3.1；

步骤3.5将模型输出结果与真实标记比对，得到假阴性和假阳性样本，并加入原数据集，得到经过扩充的数据集，同时得到经过预训练的3D CNN模型。

6.根据权利要求1所述的基于卷积神经网络的MRI肿瘤体素检测方法，其特征在于：所述步骤4的具体过程为：步骤4.1：将步骤3所得到预训练3D CNN模型的最后两个全连接层，换成卷积层，其中参数随机初始化，并服从标准正态分布，此时3D CNN模型变成3D FCN模型；

步骤4.2：在经过步骤3.5扩充过的数据集上，用此步骤4.1得到的模型进行训练，训练步骤参考步骤3，最终得到MRI肿瘤体素分类模型。