1.一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述方法包括以下步骤：S1、将数据集预处理并打乱，划分成训练集和测试集，对训练集进行数据增强；

S2、使用训练集数据训练级联深度神经网络模型，具体为：

S21、取一批次训练样本切片，同时送入三个子模块编码部分，下采样卷积模块经过两次分组卷积独立提取四种模态的浅层特征得到多模态特征，然后经过池化操作，特征图大小减少一半，并送入下一层下采样卷积模块；

S22、经过步骤S21所述的下采样卷积模块得到多模态特征图，同时使用模态增强机制，获取增强特征，同时以特征图相加的方式融合来自前一子模块同层上采样卷积模块特征图，成为跳层部分特征图；

S23、经过5层下采样卷积模块后，执行双线性插值算法，特征图大小扩大至两倍，然后送入上采样卷积模块，同时接受步骤S22所述的跳层部分特征图，经过上采样卷积模块提取高级语义特征；

S24、经过4层上采样卷积模块后，使用1×1卷积，得到1个输出特征图，经过softmax激活函数获取分割结果，三个子模块得到三个任务的分割结果图；

S3、分批次投入所有训练样本切片，训练并优化网络参数，具体为：每次训练随机选取16张切片数据，每轮训练学习完所有切片，共完成100轮，训练过程中，若最新迭代轮次的评估优于已存最优模型评估，则更新最优模型参数；使用Adam梯度下降方法优化参数，学习率为2×10E‑4，β1＝0.9，β2＝0.999；学习率从随机指定的学习轮数开始衰减至最后一轮；三个Soft Dice损失函数带权相加构成损失函数；具体公式如下所示：Losstotal_dice＝λ1Losswt+λ2Lossct+λ3Losset其中取λ1＝0.3，λ2＝0.4，λ3＝0.3；具体为：

其中，C表示子模块个数，c代表第c个子模块，N表示每次参与损失计算的特征值个数总数，ci表示相应子模块c下的第i个特征值；g是ground  truth，指真实标签值，p是prediction，表示预测值；

S4、把测试集数据分批送入训练好的模型，对模型进行分割性能评估。

2.根据权利要求1所述一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述步骤S1具体为：去除不包含脑组织区域的图片并进行切片，截取剩余切片中间尺寸为176×176的图像，去除图像四周背景区域，标准化同一个样例所有的切片，即将每个像素值减去图像矩阵均值再除以图像矩阵方差，降低不同模态像素强度差异对训练效果的影响，每一张切片进行随机小于20度的旋转、随机平移、随机弹性形变、以及随机垂直和水平翻转，上述所有操作的概率设置为0.5。

3.根据权利要求1所述一种基于级联深度神经网络模型的脑胶质瘤分割方法，其特征在于：所述步骤S4为对模型进行性能评估，具体过程为：将测试集切片样本进行随机打乱，每一批次训练抽取16个样本切片放入模型得到模型评估结果，测试完所有测试集样本，取所有批次测试结果的平均值作为模型评估结果；

所用评估标准具体包括：Dice评估、Sensitivity评估、Specificity评估和双向豪斯多夫距离评估。

4.用于权利要求1～3任一项所述方法的基于级联深度神经网络的脑胶质瘤分割装置，其特征在于：所述级联深度神经网络模型包括带模态增强机制的WT‑Net、TC‑Net和ET‑Net编码解码子模块；

所述WT‑Net编码解码子模块与TC‑Net编码解码子模块级联；

所述TC‑Net编码解码子模块与ET‑Net编码解码子模块级联；

所述编码解码子模块皆包括编码部分、解码部分和跳层连接；

所述编码部分包括5个下采样卷积模块，且该下采样卷积模块之间用最大池化操作连接；

所述解码部分包括4个上采样卷积模块，且该上采样卷积模块之间采用双线性插值算法连接；

所述跳层连接包括内部跳层连接接和外部跳层连接接；

所述上采样卷积模块和所述下采样卷积模块之间采用内部跳层连接，该跳层连接通过模态增强机制提取模态增强特征，与外部跳层连接传递的特征相加；

所述外部跳层连接传递前一个模块的解码部分同层特征，与同层模态增强特征相加后，送入当前子模块的上采样模块，将浅层特征图与高级语义特征图进行拼接。

5.根据权利要求4所述的一种基于级联深度神经网络的脑胶质瘤分割装置，其特征在于：所述级联的方式为：WT‑Net子模块与TC‑Net子模块多层连接，TC‑Net子模块与ET‑Net子模块多层连接；

WT‑Net子模块将解码部分特征传递至TC‑Net子模块的同层跳层部分；

TC‑Net子模块将解码部分特征传递至ET‑Net子模块的同层跳层部分。

6.根据权利要求4所述的一种基于级联深度神经网络的脑胶质瘤分割装置，其特征在于：所述下采样卷积模块包含2个卷积层Conv、2个标准池化层BN和2个激活层ReLU；

所述卷积层是卷积核大小为3×3、分组数为4的分组卷积；

所述池化层卷积核大小为2×2，步长为2；

所述下采样卷积模块使模块输入特征图个数加倍，大小减半。

7.根据权利要求4所述的一种基于级联深度神经网络的脑胶质瘤分割装置，其特征在于：所述上采样卷积模块包括3个卷积层，分别是2个卷积核为3×3的Conv和1个卷积核为1×1的Conv、3个标准池化层BN和3个激活层ReLU；

所述特征图，大小与同层下采样模块相同，个数为同层下采样模块的1/4。

8.根据权利要求4所述的一种基于级联深度神经网络的脑胶质瘤分割装置，其特征在于：所述模态增强机制通过多模态特征在不同模态特征图的同一位置取得最大值，即获取该位置响应最高的模态特征；公式如下：其中，out(x,y,z,i)表示在第四维上维度值为i、位置为(x，y，z)的特征值，其中i为第i种模态，即i＝{0，1，2，3}。