1.一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，其特征在于，所述的方法包括以下步骤：步骤1：数据集的选择与采集；

步骤2：对采集到的图片进行数据增强预处理，增强网络的泛化能力；

步骤3：对采集到的图片划分为训练集和验证集；

步骤4：将VGG11网络的卷积部分作为Unet网络的特征提取部分，将训练集输入到特征提取部分；

步骤5：在特征提取过程中，每一层的输出结果一方面向更下层卷积，另一方面通过编码器特征融合模块获得更多语义信息；

步骤6：特征提取向下卷积结束，与编码器特征融合模块中通道数相同的尺度相同的对应输出拼接融合，再输入到解码器特征融合模块；

步骤7：每个解码器特征融合模块输出的结果通过卷积得到每个像素是否为目标像素的概率；

步骤8：把步骤7中的各个尺度的概率进行融合相加，得到最终输出概率；

步骤9，训练神经网络，采用对应数据集中的图像多次训练所述的用于病变图像分割的多尺度并行深度神经网络模型；

所述步骤1中，采集与选择含有不同病灶的图像数据集；

所述步骤4：特征提取部分为：c1卷积层，p1第一次下采样，c2卷积层，p2第二次下采样，c3s、c3两层卷积层，p3第三次下采样，c4s、c4两层卷积层，p4第四次下采样,c5s、c5两层卷积层，p5第五次下采样；

所述步骤5中，编码器特征融合模块是在Inception模块的基础上进行的改进，所述编码器特征融合模块采用inception模块通过不同卷积核提取不同感受野特征的思想，分别在c1、c2、c3、c4、c5后分别连接attention1、attention2、attention3、attention4、attention5模块，其中每个attention模块中包括四组不同核的卷积层和imagepool模块，卷积层中的卷积核分别为1*1，3*3,5*5,7*7，来捕获不同感受野的语义信息，减少信息损失；imagepool模块包括自适应池化层和两组卷积层，其中每组卷积层包括批量标准化层、卷积运算和relu激活函数；

所述步骤7中，所述解码器特征融合模块对c5连接反卷积模块，得到Unet的center部分，center与attention5合并进行连接反卷积模块，得到dec5，dec5与attention4合并连接反卷积模块得到dec4，dec4与attention3合并连接反卷积模块得到dec3，dec3与attention2合并连接反卷积模块得到dec2，dec2与attention1合并连接反卷积模块得到dec1；最后将dec1、dec2、dec3、dec4、dec5分别进行1*1卷积将通道数降维至1，得到out1、out2、out3、out4、out5，并将五个结果相加得到最终值；

所述步骤9中，采用Lovasz‑hinge损失函数和交叉熵损失函数结合进行反向传播训练，Lovasz‑hinge损失函数是基于IOU的损失函数，在分割任务中的效果优于交叉熵损失函数，IOU是两个区域重叠的部分除以两个区域的集合部分得出的结果，计算公式如下：Loss＝BCELoss+0.5*Lovasz_hinge_loss；

其中，BCELoss是交叉熵损失函数，Lovasz_hinge_loss是结合lovasz hinge的Jaccard loss，lovasz_hinge loss是两者的加权求和，即所提出的损失函数；

BCELoss：

* *

其中，p是一张图片的像素数量，yi 是像素i在标签图中的类别，fi(yi)是像素i的标签图概率的网络概率估计，f是fi(c)的所有输出的向量；

Lovasz_hinge_loss：

其中，F是预测值，其取值为‑1到1之间，m(F)＝＝max(1‑t·y*,0)，y*是目标值，其取值为1或‑1，ΔJ1指的是二分类中的前景类，是Δ的紧凸闭包。

2.如权利要求1所述的一种用于病变图像分割的多尺度并行深度神经网络模型构建方法，其特征在于，所述步骤2中，数据增强方法包括正则化图片大小、图片的随机裁减、水平翻转、灰度变化、伽马变换、弹性变换、旋转变换、透视变换以及添加高斯噪声。