1.一种基于双重交错网络的医学图像分割方法，其特征在于将脑MRI图片的分割视为一个分类问题，对于每一个像素点输出一个数值，使用一个阈值将输出数值小于该阈值的像素点视为背景，输出数值大于该阈值的像素点视为肿瘤区域，上述基于双重交错网络的医学图像分割方法分为以下几个模块： 特征提取模块负责提取脑MRI图片的特征，上下采样采用非对称的方式，减少下采样阶段的特征损失，另外网络采用双层结构，使用基于双重交错网络的医学图像分割方法第一层模型识别输入图片中的脑肿瘤特征，将提取到的肿瘤的特征和原始图像融合作为第二层模型的输入特征，取代传统的将整张图片输入模型作为输入特征； 多级特征融合模块将深层级复杂的特征与邻级特征融合，考虑多级特征的相关性，在每个基础块网络内部增加criss‑cross连接，增加网络信息留存能力，减少信息损失，以此增强网络的鲁棒性，降低下采样过程中微小物体及边缘特征的损失； 肿瘤定位模块使用基于双重交错网络的医学图像分割方法第二层模型中肿瘤的位置信息，基于前两个模块提取的多级语义特征信息，并将其融合得到的特征用作分类，得到最终的分割结果。

2.根据权利要求1所述的方法，其特征在于特征提取模块增强了网络留存信息的能力，与传统的医学图像分割网络相比，微观上在上下采样中，采用非对称形式构建网络，下采样采用密集连接增强下采样阶段特征提取的能力；宏观上采用双重网络，前一基础块为后一基础块提供部分特征信息后一层补全特征。

3.根据权利要求1所述的方法，其特征在于多级特征融合模块，该模块根据层级采用不同尺寸、不同步长卷积核，并将融合后的特征作为下一平行节点的输入，该网络是Unet和DenseNet网络的一种改进网络，在网络内部增加信息传递的桥梁，可以在正向训练期间为后端网络提供丰富的信息，并在将梯度发送回时将梯度消失的风险降到最低。

4.根据权利要求1所述的方法，其特征在于基于双重交错网络的医学图像分割方法中的肿瘤定位模块，得到当前情景下的任务特征，因为在获取肿瘤特征时需要对脑MRI图片进行特征提取，破坏了图片的完整性，物体之间的相对位置信息被忽略了，因此在特征融合过程中，考虑相关性，加入了邻级特征之间的融合，从而有效提高了模型对于肿瘤定位问题的分割准确率。