1.一种融合先验边界的脑肿瘤分割方法，其特征在于：所述方法包括以下步骤：步骤一：提取脑肿瘤先验边界特征的方法，过程如下：

通过腐蚀算法得到肿瘤边界，随机取边界点并迭代计算，得到点围空间与真值相似度最高的边界点，作为最优边界点，将最优边界点依次连接起来形成最优边界；

步骤二：最优边界生成网络模型，过程如下：

将原始脑肿瘤影像作为输入，计算输出与肿瘤最优边界的损失，训练出最优边界的生成网络；

步骤三：搭建多下采样通道的3D U‑net基础网络模型，过程如下：获得两种模态的核磁影像，在3D U‑net的基础上同时对两个模态进行下采样，在反卷积上采样的过程中融合底层细节，输出脑肿瘤分割图；

步骤四：在损失函数中加入边界损失项，过程如下：

计算生成肿瘤边缘与肿瘤真值边缘的相似度加入损失函数中作为提高边缘分割准确度的损失项；

步骤五：利用最优边界构造权重分配模块和边界增强模块加入基础网络，过程如下：将训练集中相应的最优边界和两个模态同时进行下采样，并在每层计算一次最优边界和两个模态之间的相似度，按照相似度高低给两个模态分配权重；之后将同层的边界叠加在两模态上，利用先验边界知识增强模态边界；

所述的步骤二中，最优边界生成网络模型的过程为：

将原始脑肿瘤训练集作为网络输入，计算输出特征与肿瘤最优边界的损失：其中，t表示从真值训练集中提取出的肿瘤最优边界，x表示原始脑肿瘤影像，F表示边界生成网络；

最终，训练出最优边界的生成网络；

所述的步骤三中，搭建多下采样通道的3D U‑net基础网络模型的过程为3D U‑net网络用三维卷积操作替换U‑net网络中的二维，更适合用来训练块状的脑肿瘤MRI影像；为充分利用影像中的肿瘤信息，将两种模态的MRI影像同步进行下采样，分别得到两个8*8*8体素大小的特征，通道数为512，并融合特征；将融合特征做反卷积上采样，维持通道数不变，大小变为16*16*16，上层与一个模态的底层融合，下层与另一个模态的底层融合，得到1024个通道的特征；重复反卷积、融合和卷积的操作，最后得到一个64*64*64大小的肿瘤分割图；

输入原始脑肿瘤影像，计算输出特征与肿瘤真值之间的损失函数：其中，y表示肿瘤真值，G表示网络模型，G(x)表示输出特征；

所述的步骤四中，在损失函数中加入边界损失项的过程为：用腐蚀算法得到生成肿瘤的边缘特征与肿瘤真值边缘，比较两者差异，是生成掩码和真值之间边缘的相似性度量，将相似度作为损失项加入损失函数中，用于提高边缘分割准确度：‑log(B(G(x)),B(y))

L＝e     (3)

其中，B表示提取肿瘤边缘的函数；

生成网络的损失记为：

L＝Ldice(y,G(x))+λLb    (4)；

所述的步骤五中，利用最优边界构造权重分配模块和边界增强模块加入基础网络的过程为：获得训练集中肿瘤真值的最优边界，将边界和两种模态一起进行下采样，在向下采样的每一层，用dice系数计算边界和两个模态之间的相似度：其中，n表示下采样的层数，x1、x2分别表示两种模态的脑肿瘤原始影像；

并按照相似度高低分配模态权重，并将该层的边界叠加在分配权重后的两个模态上，增强模态边界：其中，x′1n表示在n层经过权重分配和边界增强的输出模态，将在下一层继续进行权重分配和边界增强的迭代操作，W1n表示在n层x1模态分配到的权重。

2.如权利要求1所述的一种融合先验边界的脑肿瘤分割方法，其特征在于，所述的步骤一中，提取脑肿瘤先验边界特征的过程为：腐蚀现有的肿瘤真值，利用原始肿瘤真值减去腐蚀后真值，得到肿瘤边界；在这些边界上随机取N个点，填充点包围起来的空间，并计算点围空间与真值的相似度；重复操作设定次数，最终将填充空间和真值相似度最高的点作为最优边界点，将最优边界点依次连接起来形成最优边界。