1.一种适用于移动应用的小巧医学影像病灶分割方法，其特征在于，所述适用于移动应用的小巧医学影像病灶分割方法包括以下步骤：步骤S1、将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表TFeats；

S

步骤S2、将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats 和当前病灶分割结果T S

步骤S3、将第一特征图列表Feats和第二特征图列表Feats 进行深度特征提炼，得到深度特征提炼损失Lfeat；

T

步骤S4、将第一特征图列表Feats 中的底层特征图 边缘信息标签Labeledge和第S二特征图列表Feats 中的底层特征图 进行边缘信息推理提炼，得到边缘推理提炼损失Ledge；

步骤S5、将病灶分割标签Labelseg和当前病灶分割结果 进行二分类交叉熵函数计算得到病灶分割损失Lseg；

步骤S6、将Lfeat、Ledge、Lseg三种损失函数加权求和，得到总的损失函数Ltotal，将Ltotal进行反向传播，迭代更新第二网络内的参数，直至第二网络收敛；

步骤S7、将待分割医学影像输入至已训练完成的第二网络中，得到病灶分割结果；

所述步骤S1中，所述第一网络包括一个编码器和一个解码器；

所述第一网络的编码器由一个7×7的二维卷积操作和四个残差模块组成；所述 由3个残差块组成，每个残差块由2组串行的3×

3的二维卷积操作、批量归一操作、激活操作组成，所述 由4个残差块组成，每个残差块由2组串行的3×3的二维卷积操作、批量归一操作、激活操作组成，所述 由6个残差块组成，每个残差块由2组串行的3×3的二维卷积操作、批量归一操作、激活操作组成，所述由3个残差块组成，每个残差块由2组串行的3×3的二维卷积操作、批量归一操作、激活操作组成；

所述第一网络的解码器由四个卷积块 组成，其中每个卷积块包含两个3×3卷积操作；

T

将医学影像样本输入已构建且训练后的第一网络中，得到第一特征图列表Feats ，过程如下：步骤1.1、将医学影像样本经过第一网络的编码器的3×3的二维卷积操作，得到特征图步骤1.2、特征图 池化后经过残差模块 得到特征图步骤1.3、特征图 经过残差模块 得到特征图步骤1.4、特征图 经过残差模块 得到特征图步骤1.5、特征图 经过残差模块 得到特征图步骤1.6、特征图 经过卷积块 后得到特征图步骤1.7、特征图 经过卷积块 后得到特征图步骤1.8、特征图 经过卷积块 后得到特征图步骤1.9、特征图 经过卷积块 后得到特征图步骤1.10、将特征图 和 这3张特征图组合成列表，得到第一特征图列表T

Feats；

所述步骤S2中，所述第二网络包括一个编码器、一个解码器和一个卷积块 所述第二网络中的编码器包含4个卷积块 每个卷积块由2组串行的3×3的二维卷积操作、批量归一化操作、激活操作组成，所述第二网络中的解码器包含4个卷积块每个卷积块由2组串行的3×3的二维卷积操作、批量归一操作、激活操作组成；

S

将医学影像样本输入已构建的第二网络中，得到第二特征图列表Feats 和当前病灶分割结果 过程如下：步骤2.1、将原始样本经过第二网络的编码器的卷积块 得到输出特征图步骤2.2、特征图 池化后经过卷积块 得到特征图步骤2.3)特征图 池化后经过卷积块 得到特征图步骤2.4)特征图 池化后经过卷积块 得到特征图步骤2.5、特征图 池化后经过卷积 得到特征图步骤2.6、将特征图 进行上采样后和 进行特征拼接，再经过第二网络的解码器中的卷积块 后得到特征图步骤2.7、将特征图 进行上采样后和 进行特征拼接，再经过第二网络的解码器中的卷积块 后得到特征图步骤2.8、将特征图 进行上采样后和 进行特征拼接，再经过第二网络的解码器中的卷积块 后得到特征图步骤2.9、将特征图 输入第二网络的解码器中的卷积块 得到特征图 对的每一通道均用sigmoid函数进行激活，得到 上每个像素点属于病灶区域的概率，将其乘以255得到当前病灶的分割结果步骤2.10、将特征图 和 这3张特征图组合成列表，得到第二特征图列表S

Feats；

T S

所述步骤S3中，将第一特征图列表Feats 和第二特征图列表Feats进行深度特征提炼，得到深度特征提炼损失Lfeat，过程如下：T

步骤3.1、计算Feats特征图列表长度，得到列表长度Length，根据Length进行循环，其中第i次循环操作如下，i∈Length：T

从Feats中获取第i张特征图 经过margin ReLU函数得到 margin ReLU函数定义如下：是一个小于0的数，定义是负响应的逐通道期望值，计算方法如下：j

表示 中的通道数 Pi表示特征图 每一个通道中的像素点；

S

步骤3.2、从Feats 中获取第i张特征图 经过一个1×1的二维卷积操作得到计算 和 的 距离，将计算得到的 距离进行叠加得到总体深度特征提炼损失L′total， 距离和L′ftotal计算公式如下：步骤3.3、循环结束后将总体深度特征提炼损失L′ftotal除以列表长度Length，得到深度特征提炼损失Lfeat，Lfeat计算公式如下：T

所述步骤S4中，将第一特征图列表Feats中的底层特征图 边缘信息标签LabeledgeS和第二特征图列表Feats中的底层特征图 进行边缘信息推理提炼，得到边缘推理提炼损失Ledge，过程如下：T

步骤4.1、将从Feats 中得到的底层特征图 分别进行两个1×1的二维卷积操作，得到特征图 和特征图步骤4.2、将边缘信息标签Labeledge进行软化，得到软化后的边缘信息标签软化的步骤如下：步骤4.2.1、将Labeledge经过一个1×1的二维卷积操作，得到临时边缘标签步骤4.2.2、将 池化后，经过一个sigmoid函数进行激活，得到软化后的边缘信息标签步骤4.3、将特征图 进行一次1×1卷积操作后得到临时特征图 和软化后的边缘信息标签 进行哈达玛积运算操作，得到边缘注意特征图 哈达玛积运算如下：

步骤4.4、将边缘注意特征图 经过边缘锚点下采样操作后得到边缘关键点矩阵边缘锚点下采样操作步骤如下：步骤4.4.1、随机初始化隶属度矩阵U＝[uij]，初始化聚类中心向量C，设定聚类的簇数n，和隶属度的因子m；

k

步骤4.4.2、开始迭代，在第k步迭代时，计算质心C＝[cj]，计算公式如下：其中，uij表示像素点xi属于j类的隶属度，i表示第i个样本， cj是j簇的中心，也具有d维度；

步骤4.4.3、根据第k步迭代得到的质心，更新隶属度矩阵U，更新的公式如下：其中，||*||是任意表示距离的度量；

步骤4.4.4、当满足迭代终止条件时，停止迭代，否则继续按照步骤4.4.2和步骤4.4.3中的步骤迭代，迭代的终止条件如下：其中ε为是误差阈值；

步骤4.5、 与特征图 进行矩阵乘法运算，激活后得到边缘注意特征投影矩阵步骤4.6、将 与特征图 进行矩阵乘法运算和正则化操作后，得到结点矩阵经过一个图卷积网络后得到初步边缘特征推理图所述图卷积网络，包括两个1×1的一维卷积操作和一个ReLU函数的激活操作；

步骤4.7、将 和 进行矩阵乘法运算，正则化后得到抽象边缘特征 再与相加后得到边缘特征推理图

S

步骤4.8、将从Feats中得到的底层特征图 分别进行两个1×1的二维卷积操作，得到特征图 和特征图步骤4.9、将特征图 进行一次1×1的二维卷积操作后，得到边缘注意特征图步骤4.10、将边缘注意特征图 经过步骤4.4中同样的边缘锚点下采样操作后得到边缘关键点矩阵 与特征图 进行矩阵乘法运算，激活后得到边缘注意特征投影矩阵

步骤4.11、将边缘注意特征投影矩阵 特征图 进行矩阵乘法运算和正则化操作后的得到，经过一个图卷积网络后得到初步边缘特征推理图步骤4.12、将 和 进行矩阵乘法运算，正则化后得到抽象边缘特征 再与相加后得到边缘特征推理图

步骤4.13、将边缘特征图 和边缘分割图 进行二分类交叉熵计算，得到边缘提炼损失Ledge，Ledge计算公式如下：所述步骤S5中，将病灶分割标签Labelseg和当前病灶分割结果 进行二分类交叉熵函数计算得到病灶分割损失Lseg，过程如下：将疾病分割标签Labelseg和当前病灶分割结果 进行二分类交叉熵函数计算，得到分割损失Lseg，计算公式如下：所述步骤S6中，将Lfeat、Ledge、Lseg，三种损失函数加权求和，得到总的损失函数Ltotal，将Ltotal进行反向传播，迭代更新第二网络内的参数，直至第二网络收敛，过程如下：步骤6.1、将Lfeat、Ledge、Lseg，三种损失函数加权求和，得到总的损失函数Ltotal；

Ltotal＝αLseg+βLedge+γLfeat；

步骤6.2、将Ltotal进行反向传播，迭代更新第二网络内的参数。