1.一种基于双重交错的网络，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，本发明使用一个阈值将输出数值小于该阈值的答案视为背景，输出分数大于该阈值的像素点视为肿瘤区域，上述DCCN模型应该分为以下几个模块：特征提取模块负责提取脑MRI图片的特征，上下采样采用非対称的方式，尽可能减少下采样阶段的特征损失，另外网络采用双层结构，使用DCCN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；

多级特征融合模块负责将深层级复杂的特征与邻级特征融合，充分考虑多级特征的相关性，再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，尽可能减少信息损失，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；

肿瘤定位模块负责将使用DCCN第二层模型定位肿瘤的位置信息，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.根据权利要求一所述的网络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：我们在上下采样中，采用非対称形式构建网络，下采样采用密集连接增强下采样阶段特征提取的能力；宏观上我们采用双重网络，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.根据权利要求一所述的网络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，我们在网络内部增加信息传递的桥梁，它们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.根据权利要求一所述的网络其特征在于DCCN模型中肿瘤定位模块，从而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，充分考虑相关性，本发明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。