1.一种基于MEDU‑Net+网络的医学图像分割方法，其特征在于，所述医学图像分割方法包括以下步骤：

采用GoogLeNet中的inception模块替代原U‑Net网络中用于提取图像特征信息的3×3卷积层，其包括多个分支以构成多尺度编码器；对MEDU‑Net+网络的解码器做相应优化，采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，编码器和解码器的每个分支均一一对应，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；

结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数。

2.根据权利要求1所述的基于MEDU‑Net+网络的医学图像分割方法，其特征在于，所述编码器的每个分支均包含3×3最大池化层、1×1卷积层、3×3卷积层和5×5卷积层，通过1×1卷积层降维使通道间信息进行传递，并采用1×1卷积层和5×5卷积层扩展感受野以获得较之原始3×3卷积层更丰富的语义信息。

3.根据权利要求1所述的基于MEDU‑Net+网络的医学图像分割方法，其特征在于，所述解码器采用多尺度特征融合代替3×3反卷积层进行解码，在多尺度解码部分的反卷积块中增加1×1和5×5的转置卷积核分支；通过1×1反卷积，在保持特征图尺度不变的情况下，对非线性特征进行增强。

4.根据权利要求1所述的基于MEDU‑Net+网络的医学图像分割方法，其特征在于，所述结合广义Dice损失函数和Focal损失函数，根据医学图像自身特性引入权重以生成组合形式的损失函数的过程包括以下步骤：根据下述公式计算GDL损失函数：其中 N代表像素总数，i表示第i类的像素，yin是第i类的第n个像素的真实值， 是yin的预测值；

根据下述公式计算Focal损失函数：其中yn是第n个像素的真实值， 是yn的预测值，α,γ>0为参数；

根据医学图像自身特性引入权重以生成组合形式的损失函数：L＝λLgd+(1‑λ)Lf

其中0≤λ≤1。

5.根据权利要求4所述的基于MEDU‑Net+网络的医学图像分割方法，其特征在于，所述λ的取值为0.1；所述α的取值为0.75；所述γ的取值为2。

6.一种基于MEDU‑Net+网络的医学图像分割系统，其特征在于，所述医学图像分割系统包括：

多尺度编码器，采用GoogLeNet中的inception模块替代原U‑Net网络中用于提取图像特征信息的3×3卷积层得到，其包括多个分支；

多尺度解码器，包括多个分支，且多尺度解码器与多尺度编码器的各个分支一一对应，多尺度解码器采用多尺度解码方式以恢复已获取到的不同尺度的语义信息；其中，引入一层一回传的跳跃连接将编码端提取的信息直接传递至解码端，中间连接的每一部分都是下一个相邻层的转置卷积；

该MEDU‑Net+网络的损失函数为广义Dice损失函数和Focal损失函数的加权和，权重由医学图像自身特性决定。