1.一种基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，其特征在于由下述步骤组成：

(1)数据集预处理

取乳腺腺管区域数据集图片398张，图片大小为2000×2000像素；

1)将乳腺腺管区域数据集像素值归一化到[0,1]，切分成尺寸为512×512像素的图片；

2)将切分后的数据集按8：1：1的比例分为训练集、验证集、测试集；

(2)构建RN‑DoubleU‑Net网络模型RN‑DoubleU‑Net网络模型由第一Unet子网络和第二Unet子网络连接构成，第一Unet子网络的输出与第二Unet子网络的输入相连；

第一Unet子网络由第一子网络编码器、第一子网络空洞卷积、第一子网络解码器依次串连构成，第二Unet子网络由第二子网络编码器、第二子网络空洞卷积、第二子网络解码器依次串连构成；

(3)训练RN‑DoubleU‑Net网络

1)确定目标函数

目标函数包括损失函数Ldice和评价函数F1，按下式确定损失函数Ldice：其中，X表示真实值，X∈{x1,x2,...xn}，Y表示预测值，Y∈{y1,y2,...yn}，n是元素的个数、为有限的正整数；

按下式确定的评价函数F1：

其中，P是精准率，P∈[0,1],R是召回率，R∈[0,1]，T是真阳性，T∈[0,1]，F是假阳性，F∈[0,1],N是假阴性，N∈[0,1]，且P、R、T、F、N不同时为0；

2)训练RN‑DoubleU‑Net网络将训练集送入到RN‑DoubleU‑Net网络中进行训练，在训练的过程中，RN‑DoubleU‑Net‑5 ‑3

网络的学习率γ∈[10 ,10 ]，优化器采用自适应矩的估计优化器，迭代至损失函数收敛；

(4)保存模型

在训练RN‑DoubleU‑Net网络的过程中，用深度学习框架不断更新权重，保存权重文件；

(5)验证RN‑DoubleU‑Net网络将验证集输入到RN‑DoubleU‑Net网络中进行验证；

(6)测试RN‑DoubleU‑Net网络将测试集输入到RN‑DoubleU‑Net网络中进行测试，加载保存的权重文件，得到乳腺腺管区域图像。

2.根据权利要求1所述的基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，其特征在于：在(2)构建RN‑DoubleU‑Net网络模型的步骤中，所述的第一子网络编码器为深度学习框架中的VGG19网络，VGG19网络由串联的16个编码卷积层构成，VGG19网络的编码卷积层的编码卷积核大小为3×3、步长为1；

所述的第一子网络空洞卷积由空洞卷积层构成，空洞卷积层由1个普通卷积核和5个空洞卷积核依次串联而成；

所述的第一子网络解码器由4个解码卷积块构成，每个解码卷积块包含1个2×2大小的上采样层、2个大小为3×3步长为1的解码卷积核、1个注意力机制块，第一子网络解码器的输入与第一子网络空洞卷积的输出相连。

3.根据权利要求2所述的基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，其特征在于：所述的普通卷积核的大小为1×1步长为1，第一个空洞卷积核的大小为1×1步长为1、空洞为1，第二个空洞卷积核的卷积核大小为3×3步长为1、空洞为6，第三个空洞卷积核的卷积核大小为3×3步长为1、空洞为12，第四个空洞卷积核的卷积核大小为3×3步长为

1、空洞为18，第五个空洞卷积核的卷积核大小为1×1步长为1、空洞为1；空洞卷积层的输入与第一子网络编码器的输出相连。

4.根据权利要求1所述的基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，其特征在于：在(2)构建RN‑DoubleU‑Net网络模型的步骤中，所述的第二子网络空洞卷积与第一子网络空洞卷积结构相同，第二子网络空洞卷积的输入与第二子网络编码器的输出相连；

所述的第二子网络解码器由4个解码卷积块串联构成，每个解码卷积块包含1个2×2大小的上采样层、2个大小为3×3步长为1的解码卷积核、1个注意力机制块，第二子网络解码器的输入与第二子网络空洞卷积的输出相连。

5.根据权利要求1或4所述的基于RN‑DoubleU‑Net网络的乳腺腺管区域图像分割方法，其特征在于：在(2)构建RN‑DoubleU‑Net网络步骤中，所述第二子网络编码器由普通卷积块与第一残差卷积块、第二残差卷积块、第三残差卷积块依次串联构成；

所述的普通卷积块由1个大小为7×7步长为2的编码卷积核、1个池化大小为3×3步长为2的池化层串联接构成；

所述的第一残差卷积块由3个依次串联的残差单元构成，第一个残差单元由4个编码卷积核依次串联而成，第二个编码卷积核的大小为3×3步长为1，第一、第三、第四个编码卷积核的大小为1×1步长为1；第二和第三个残差单元均由3个编码卷积核依次串联而成，每个残差单元的第二个编码卷积核大小为3×3步长为1，第一和第三个编码卷积核大小为1×1步长为1；

所述的第二残差卷积块由4个依次串联的残差单元构成，第一个残差单元由4个编码卷积核依次串联而成，第一和第四个编码卷积核的大小为1×1步长为2，第二个编码卷积核的大小为3×3步长为1，第三个编码卷积核的大小为1×1步长为1；第二至四个残差单元均由3个编码卷积核依次串联构成，每个残差单元的第二个编码卷积核大小为3×3步长为1，第一和第三个编码卷积核大小为1×1步长为1；

所述的第三残差卷积块由6个依次串联的残差单元构成；第一个残差单元由4个编码卷积核依次串联而成，第一个和第四个编码卷积核的大小为1×1步长为2，第二个编码卷积核的大小为3×3步长为1，第三个编码卷积核的大小为1×1步长为1；第二至第六个残差单元均由3个编码卷积核依次串联构成，每个残差单元的第二个编码卷积核大小为3×3步长为

1，第一和第三个编码卷积核大小为1×1、步长为1；第二子网络编码器的输入与第一子网络解码器的输出相连。