1.一种实时多组织医学图像的分割方法，其特征在于，包括以下步骤：(1)、获取MRI，CT图像并整理统一；

(1.1)、从数据库中下载多个病人不同部位的核磁共振成像MRI和计算机断层扫描图像CT；

(1.2)、为每一位病人建立一个图片集，将不同部位的核磁共振成像MRI和计算机断层扫描图像CT存在图片集中，设共计建立N个图片集；

(2)、基于空洞卷积的高分辨率特征并行提取方法搭建全卷积神经网络模型；

(2.1)、利用机器学习算法设计控制子网络个数以及特征并行数，初始设置3个子网络，每个子网络存在4个并行层；

(2.2)、三个串联并相互联通的子网络，每个子网络以上一个子网络的输出和人工的输入作为输入，使用多次下采样得到不同尺寸的特征图，分别对并行的各尺寸的特征图进行多次卷积和一次fc注意力机制卷积，进行单个子网络的编码；对各个子网络的输出进行卷积并从最后一个子网络的输出开始使用反卷积以及反池化操作结合各尺寸卷积的输出进行图片特征解码；

(3)、训练全卷积神经网络模型；

(3.1)、全卷积神经网络模型初始化(3.2)、将N个病人的图片集按照(N‑1):1的比例划分为训练集和测试集；将每一个图片集等分成大小相等的patch，每个patch包含k张图片，在最后一个patch中如果不足k张图片，则直接舍弃该个patch；

(3.3)、对每个patch进行人工分割，得到k×n的分割图，记为比对的参考图，其中，n表示每张图片分割的张数；

(3.4)、从训练集中随机选取一个patch输入至全卷积神经网络模型，输出k×n的分割图，记为待对比图，其中，n表示每张图片分割的张数；

(3.5)、计算loss函数值；

在选取的patch中，计算人工分割后的参考图与模型分割后的待对比图的loss函数值；

其中，pi,j是分割图单个像素点的取值，ti,j是参考图对应像素点的取值，i＝1,2,…k，j＝1,2,…,n；μj表示第j类别的分配权重；

μj的计算公式为：

其中，DICEj是第j个组织的dice指标评分，IOUj是第j个组织的iou指标评分，ρj是第j个组织的权重常值；

(3.6)、重复步骤(3.4)‑(3.5)，继续处理下一个patch，然后比较前后两个patch的loss函数值的差值，如果差值小于预设的阈值，则训练结束，得到标准的全卷积神经网络模型；

否则，如果loss变小了则使用adam优化器更新全卷积神经网络模型的权重，并再返回步骤(3.4)；

(3.7)、从测试集中随机选取一个patch输入至全卷积神经网络模型，得到分割图片，然后对比参考图计算各个组织的DICE和IOU评分；

其中，VSEG表示分割图的组织预测区域像素值，VGT表示参考图的组织真实区域像素值；

然后重复该过程，直到测试集中的所有patch处理完成，得到每个patch对应的DICE和IOU评分，然后计算所有DICE和IOU评分的均值；

根据DICE和IOU的评分均值重新计算分配权重是第j个组织的dice指标评分均值， 是第j个组织的iou指标评分均值；

(3.8)、根据分配权重 去更新loss函数，从而更新全卷积神经网络模型，标准的全卷积神经网络模型；

(4)、全卷积神经网络模型实时分割多组织医学图像；

实时采集某位患者的k张多组织医学图像，然后输入至全卷积神经网络模型，从而输出分割后的多组织医学图像。