1.一种基于深度学习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如下步骤：

S1：构建一个图像分割网络模型，所述图像分割网络模型包括特征提取模块、U‑net网络和特征融合模块；所述特征提取模块采用ResNext101网络，特征提取模型的输入为待分割的医学图像，输出为经ResNext101网络提取出的不同尺度的第一特征；所述U‑net网络模型包括编码器单元和解码器单元；所述编码器单元的输入为待分割的医学图像，输出为不同尺度的第二特征；所述特征融合模块用于对所述第一特征和第二特征进行卷积、池化、拼接，进而得到融合特征；所述融合特征通过跳跃连接的方式联合输入到所述U‑net网络模型的解码器单元中；所述解码器单元的输入包括所述融合特征和所述解码器中前一层的上采样输出；所述解码器单元的最终输出为二值化的医学图像分割结果；

S2：获取用于对所述图像分割网络模型进行训练的原始数据集，对原始数据集进行分类，得到训练集和测试集；

S3：设定图像分割网络模型的参数进行联合优化的损失函数，所述损失函数包括传统的交叉熵损失函数和一种基于图像像素关联度的损失函数；

S4：采用步骤S2中的训练集和步骤S3中的损失函数，对构建的所述图像分割网络模型进行训练，得到参数全面优化调整的网络模型，保存该模型作为最终的分割网络；

S5：采用步骤S2中的测试集，对步骤S4中保存的完成训练的分割网络进行测试，根据测试结果确定所述图像分割网络模型的分割性能；保存测试性能最佳的网络模型，并使用该网络模型对待分割的医学图像进行分割处理。

2.如权利要求1所述的基于深度学习的医学图像分割方法，其特征在于：步骤S1中，所述ResNext101网络提取的第一特征包括四种不同尺度的特征图，分别为m1、m2、m3和m4；所述U‑Net网络的编码器单元中包括四个不同尺度的卷积池化层模块，进而提取出的四个不同尺度的第二特征的特征图分别为n1、n2、n3和n4；所述第一特征和第二特征中的四个特征图的尺寸依次相对应。

3.如权利要求1所述的基于深度学习的医学图像分割方法，其特征在于：步骤S1中，所述特征融合模块的处理过程如下：

首先，对所述编码层输入的第二特征分别进行1×1，3×3，5×5的卷积操作；然后对三种卷积操作的处理结果进行级联操作，并依次进行3×3的卷积处理和池化处理；接着，将池化处理的结果和所述ResNext101网络提取的对应的第一特征在通道空间上进行拼接，最后对拼接的结果再进行3×3的卷积处理得到所述融合特征。

4.如权利要求3所述的基于深度学习的医学图像分割方法，其特征在于：特征融合处理过程的表达式如下：

pi＝Conv3{Cat[Conv1(ni),Conv3(ni),Conv5(ni)]}outi＝Conv3{Cat[pool(pi),mi]}其中，Conv1，Conv3，Conv5分别代表的就是卷积核大小为1×1、3×3、5×5的卷积操作；

ni表示U‑Net网络的编码器单元提取的不同尺度的第二特征，i＝1、2、3、4；Cat表示特征图在通道空间上的拼接；pool表示池化操作。

5.如权利要求1所述的基于深度学习的医学图像分割方法，其特征在于：所述图像分割网络模型的输出包括两个部分，一部分是输出的医学图像的分割结果，另一个是医学图像与编码器单元第一层联合之后的特征图，该特征图用于计算图像像素关联度的损失函数。

6.如权利要求5所述的基于深度学习的医学图像分割方法，其特征在于：步骤S3中，所述交叉熵损失函数用于优化全局网络模型参数，损失的目标即为使得分割结果接近给出的标签结果，然后通过反向传播的方式优化整个网络参数；所述交叉熵损失函数的表示式如下：

上式中，yi代表医学图像分割的输出结果，p(yi)表示对应的分割结果中分割预测正确的概率。

7.如权利要求1所述的基于深度学习的医学图像分割方法，其特征在于：步骤S4中，基于图像像素关联度的损失函数用来计算每一个像素点和其周围邻域之间的关联关系，使得位于同一类上的像素对应产生相似的特征空间；对于任意的两个像素索引i和j，输出对应的特征为ei和ej，其对应的对象标签分别为Ii和Ij；优化的目标是对于相同标签的特征，要拉近特征间的差异；而对于不同的标签特征，要使得特征之间的差异性增大；所述图像像素关联度的损失函数的表达式如下：

上式中，||·||表示向量范数，α和β来分别代表特征远近的阈值大小，α和β的阈值大小分别为0.5和2；

其中，为了评价整体的嵌入层特征，需要计算每一个特征与其周围的特征关系，对于所有的损失进行求和，求和公式如下：

上式中，j∈Ni表示迭代索引i的空间领域，在实验上采用每一个像素点的八邻域特征做特征的关联度计算，通过随机梯度下降的方式来最小化这种损失，从而优化网络模型的分割结果。

8.一种基于深度学习的医学图像分割系统，其特征在于，其用于采用如权利要求1‑7任意一项所述的基于深度学习的医学图像分割方法，对输入的待分割的医学图像进行分割处理，进而得到目标区域的分割结果；所述医学图像分割系统包括：图像获取模块，其包括优化通道和应用通道；所述优化通道用于获取训练或测试用医学图像的数据集，进而利用所述数据集对医学图像分割系统中的其它模块进行训练和测试，优化医学图像分割系统中的各个网络模型的参数；所述应用通道用于获取待分割的医学图像，然后利用优化的网络模型对医学图像进行分割处理；

特征提取模块，其采用ResNext101网络特征提取的核心网络；所述特征提取模块用于对输入的医学图像进行多层次的特征提取，进而得到对个不同尺度的第一特征图；

U‑net网络模型，其包括编码器单元和解码器单元；所述编码器单元中包括多个不同尺度的卷积池化层，所述编码器单元的输入为待分割的医学图像，输出为多个不同尺度的第二特特征图；所述第一特征图和第二特征图按照对应尺度进行特征融合并作为所述解码器单元的部分输入；所述解码器单元的输入包括编码器单元的输出以及特征融合的结果，所述解码器单元的输出包括两个部分：分别是医学图像的分割结果，以及医学图像与编码器单元第一层联合之后的特征图；

特征融合模块，其用于对第二特征图先分别进行1×1，3×3，5×5的卷积操作；然后对三种卷积操作的处理结果进行级联操作，并依次进行3×3的卷积处理和池化处理；接着，将池化处理的结果和对应尺度的第二特征图在通道空间上进行拼接，最后对拼接的结果再进行3×3的卷积处理得到所需的融合特征；所述融合特征通过跳跃连接的方式输入到所述U‑net网络模型的解码器单元中作为联合输入；以及优化处理模块，其采用交叉熵损失函数和基于图像像素关联度的损失函数作为医学图像分割系统的损失函数，并利用优化通道中获取的数据集对医学图像分割系统进行训练和测试，同时优化整体的网络结构参数以及最终的分割效果，得到完成训练的优化后的网络模型。

9.如权利要求8所述的基于深度学习的医学图像分割系统，其特征在于：所述特征提取模块提取的第一特征图的尺度包括四种，所述U‑net网络模型的编码器单元提取的第二特征图的尺度也包括四种；且所述第一特征图和第二特征图中的尺度层级一一对应。

10.一种基于深度学习的医学图像分割装置，其特征在于：其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任意一项所述的基于深度学习的医学图像分割方法的步骤。