1.一种逐步精细的医学图像分割系统，其特征在于：包括输入模块、编码器模块、解码器模块、拼接形变解码器模块、并行注意力机制模块和输出模块；

所述输入模块用于将医学图像输入编码器模块中；

所述编码器模块用于对输入的医学图像进行特征提取；

所述解码器模块用于根据提取的特征图获得多尺度的医学图像分割结果；

所述拼接形变解码器模块用于自适应地逐步融合多尺度特征信息，并自适应的选择最佳的感受野，搜索出潜在的不同形状和尺寸的前景目标；所述拼接形变解码器模块是将编码器模块的最后三个尺度的特征与可形变卷积结合到一起；首先利用拼接操作逐步融合编码器模块的最后三个尺度的深层语义特征，然后结合三个大小为3x3的可形变卷积层，根据病灶区域的形状来自适应的改变其感受野，集中提取出完整的病灶区域特征信息，搜索出潜在的不同形状和尺寸的前景病灶目标；具体过程如下：其中FDConv表示三个大小为3x3的可形变卷积层，FConv表示一个大小为1x1的卷积层，FC表示拼接函数， 表示通过双线性插值的方式进行2倍上采样，f3、f4以及f5为输入的特征值，Y表示经过拼接形变解码器模块输出的特征图；

并行注意力机制模块用于在特征图中同时引入正注意力和逆注意力，正注意力用于增强前景的相关性特征，逆注意力则逐步挖掘边界信息和增强边界细节；所述并行注意力机制模块的实现具体包括：将高级语义特征{fi,i＝3,4,5}沿通道方向分成8组，并复制得到两份分组，将其中一份的每一组特征拼接正注意力，另一份的每一组特征拼接逆注意力，然后分别用卷积融合，最后与输入的高级语义特征残差连接；

通过以下公式将fi特征均分8组：

FS(fi)→{fi，1,...,fi,j,...,fi,8}其中FS表示沿通道方向的切片函数，fi表示由ResNet34提取的特征，i∈{3,4,5}，fi,j表示将fi切片得到的特征，j∈{1,...,8}；

用正注意力计算逆注意力的公式如下：

rk＝1‑Sigmod(ck)

首先用Sigmod函数将正注意力映射到(0,1)，然后使用1减去Sigmod函数输出值得到逆注意力；其中ck表示预测结果，也就是正注意力，rk表示计算得到的逆注意力，k∈{4,5,6}；

融合并行注意力特征的公式如下：

Yi＝fi+FConv[FC({fi，1,rk},...,{fi,j,rk},...,{fi,8,rk})]+FConv[FC({fi，1,ck},...,{fi,j,ck},...,{fi,8,ck})]同时利用残差连接融合输入特征，其中FConv表示一个大小为3x3的卷积，FC表示沿通道方向的拼接函数；

所述输出模块用于输出分割后的图像结果。

2.根据权利要求1所述的逐步精细的医学图像分割系统，其特征在于：还包括：将拼接形变解码器模块解码输出的特征输入到一个大小为1x1的卷积层生成粗略的分割结果，用以全局引导后续的精细化准确分割。

3.根据权利要求1所述的逐步精细的医学图像分割系统，其特征在于：还包括优化模块，用于采用深度监督，将每个解码器模块输出的预测图都与真实标签做损失；通过带有权重的二元交叉熵BCE损失和交并比IoU损失优化输出结果；总损失为：其中， 为IoU损失， 为BCE损失；G表示真实标签，Ci表示输出的预测结果，i∈{3,4,5,6}，W是通过计算每个像素与邻近像素的差异，为每个像素生成不同的权重，从而使硬像素获得更多的关注；权重W的计算方法如下：W＝1+5*Fabs(Favg_pool(G)‑G)

其中，Fabs表示绝对值函数，Favg_pool表示的平均池化函数；

通过下式计算IoU损失：

其中M、N分别表示图像的宽和高，当像素点(m,n)位于目标区域则Gmn＝1，否则为0；Wmn表示位于(m,n)点的权重，Cimn表示第i个输出的预测图中位于(m,n)点的预测值；

通过下式计算BEC损失：

M和N分别为图像的长和宽像素值。

4.一种计算机可读存储介质，其特征在于：所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1‑3任一所述输入模块、编码器模块、解码器模块、拼接形变解码器模块、并行注意力机制模块和输出模块的功能。