1.一种基于深度学习的细胞图像分割方法，其特征在于，步骤如下：S1、构建试管内细胞图像的数据集，每张试管内细胞图像中带有细胞轮廓的标签；

S2、基于所述数据集，通过迁移学习的方法训练细胞图像分割模型；所述细胞图像分割模型由Mask R‑CNN网络基础上增加Enhance‑Block模块而成，输入图像经过Resnet50网络和FPN网络进行特征提取得到原始特征图后，输入Enhance‑Block模块中进行通道和像素点的增强，再将增强后的特征图送入RPN网络得到目标候选框；所述目标候选框和增强后的特征图一并输入RoIAlign层中，最后将RoIAlign层输出的特征向量经过全连接层输出所述输入图像中的细胞分割结果；其中，在所述Enhance‑Block模块中，先对宽度×高度×通道数为W×H×C的所述原始特征图的每一个通道进行全局平均池化，得到的1×1×C的第一向量，然后将第一向量通过两层全连接层之后使用sigmoid函数映射到(0,1)区间，得到C个通道映射值；再将每个通道的通道映射值分别乘到所述原始特征图的对应通道上，得到W×H×C的中间特征图；再针对中间特征图中每一个像素点的所有通道值求平均得到通道均值，中间特征图中所有像素点的通道均值组成W×H×1的第二向量，将第二向量送入两层全连接后使用sigmoid函数映射到(0,1)区间，得到W×H个像素点映射值；将每个像素点的像素点映射值分别乘到所述中间特征图的对应像素点上，得到W×H×C的增强后的特征图；

S3、将待分割的试管内细胞图像输入S2中训练后的细胞图像分割模型中，输出图像中的细胞分割结果。

2.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，所述试管内细胞图像为培养细胞的细胞板的俯拍图像。

3.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，数据集中每张试管内细胞图像均用labelme软件辅助标注，生成每张图片对应的标注文件，并转化成coco数据集的文件夹结构。

4.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，所述数据集划分为训练集和验证集，训练集用于训练细胞图像分割模型，待训练后的模型在验证集上的测试结果满足要求时，完成模型训练。

5.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，通过迁移学习的方法训练细胞图像分割模型时利用预训练好的Mask R‑CNN模型初始化Resnet50网络和FPN网络的参数，然后利用所述数据集对RPN网络、Enhance‑Block模块、RoIAlign层及全连接层的网络参数进行优化。

6.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，模型训练时通过随机梯度下降算法更新优化模型参数。

7.如权利要求1所述的基于深度学习的细胞图像分割方法，其特征在于，所述S2中，细胞图像分割模型输出的细胞分割结果包含输入图像中细胞的类别、标注框和掩膜。