1.基于U‑Net网络脑胶质瘤的医学图像分割方法，具体步骤如下：步骤1)对所选的数据集进行图像预处理；

数据增强，首先读取含有脑胶质瘤患者的MR核磁共振图像并将其转换成灰度图，然后通过对原数据集进行裁剪、翻转、旋转、缩放、移位的方式来扩大数据集；最后对数据进行归一化处理；

步骤2)构建U‑Net网络模型；

2.1.构建refine模块：

refine模块由两条路径组成，第一条路径是将输入的数据先经过全局平均池化层，全局平均池化是将每一层特征图求平均值，然后通过2层全连接层，最后得到表示通道之间相关性的数据；第二条路径是由1x1卷积和空洞卷积组成，其中空洞卷积的膨胀率每一层都设置不同的数值，从上而下空洞卷积的膨胀率分别为12、6、3、3；数据分别经过1x1卷积和空洞卷积，最后将得到的结果进行想加，1x1卷积能够提取更多的细节特征，空洞卷积能使网络的感受野在卷积核参数不变的情况下得到有效的提升，通过这两条部分的结合，能有效地集成粗糙的全局特征和细节的局部特征；最后将两条路径得到的结果进行相乘；

2.2.以U‑Net网络模型为基础的框架：

U‑Net网络模型包含4组对称结构的上采样和下采样，分为编码部分和解码部分，自上而下一共分为6层；除了首尾两层以外，每一层都包含了两个卷积层，每一层经过第一个卷积操作之后会通过ReLU激活函数，然后经过第二个卷积操作，并通过批标准化和ReLU激活函数，接着在下采样部分之前通过Dropout操作；

2.3.将refine模块加入到U‑Net网络模型中：

先是编码部分，输入的图片是256x256x3尺寸，接着进入第二层，在第二层中先是经过了两个卷积操作，第一个卷积核是7x7尺寸并且添加了Relu激活函数；第二个卷积核是5x5尺寸并且加入了batch normalization批标准化BN和Relu激活函数；BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为取得标准正态分布；然后加入Dropout操作，最后进行最大池化操作，池化操作之后表示第一层结束；接下来的三、四、五层中，操作和第二层类似，只是卷积核的不同，第六层，采用1x1的卷积核是为了提取图像中更多的细节信息；然后是解码部分，先是将编码部分得到的结果进行上采样操作，然后将第五层中下采样得到的结果通过refine模块，最后将这两部的数据进行连接起来，通过concatenate操作后再进行两次卷积，接着进行以上的操作依次向上最终得到输出图；

步骤3)设置训练策略；

将经过预处理的数据集以6:2:2的比例依次划分为训练集、测试集和验证集；采用随机初始化和Adam优化算法；根据电脑配置设置一次训练所选取的样本数BatchSize以及回合数epoch；设置合适的初始学习率，一阶矩估计的指数衰减率、二阶矩估计的指数衰减率、每次更新时学习率下降的值；

步骤4)训练网络和更新参数；

根据设置好的训练策略对U‑Net网络模型进行训练；更新参数：U‑Net网络网络模型采用反向传播算法BP算法对网络中的权重和偏置进行更新；训练迭代过程中利用损失函数Dice Loss进行参数地更新；

损失函数Dice Loss公式为：

y代表真实值，p代表预测值；

步骤5)；评估U‑Net网络模型；

建立包括精确度Precision、召回率Recall、准确度ACC、骰子系数DC、F1分数的评价指标，通过计算评价指标将所述的U‑Net网络模型与最先进的用于分割医学图像的深度学习模型进行比较；

评价标准的公示如下所示：

表示在所有预测为正样本的数据中，有多少是真正的正样本；

表示所有被正确预测为证样本的样本数量与真实的正样本的总数量的

比值；

表示所有的样本数据中，有多少是被正确预测的；

表示正样本和预测样本间的相似度；

表示为精确率和召回率的调和平均数；

其中TP为真阳性，TN为真阴性，FP为假阳性，FN为假阴性；

步骤6)；将验证集送入训练好的U‑Net网络模型；

将之前分割好的验证集送入训练好的U‑Net网络模型，输出的结果会随机地从验证集中挑选若干张患者的MR图像进行分割效果的可视化，这些患者的MR图像中包含了不同类型的肿瘤；分割效果的可视化图片中一共包含了表示含有低级神经胶质瘤的脑部MR图像、表示专家分割出的肿瘤图像、表示使用本发明中提出的U‑Net网络模型所分割出的肿瘤图像；

通过对比专家分割出的肿瘤图像和本发明中训练好的U‑Net网络模型所分割出的图像来对模型进行评估。

2.如权利要求1所述的基于U‑Net网络脑胶质瘤的医学图像分割方法，其特征在于：步骤6)所述的患者的MR图像选用50张。