1.一种基于特征重用和注意力门的医学图像分割方法，其特征在于：包括以下步骤：

步骤1、构建基于Unet结构的图像分割模型，包括编码器、解码器、ASPP模块和注意力门；

所述编码器包括4层编码层，从上到下依次为卷积层、DenseBlock1、DenseBlock2和DenseBlock3，其中卷积层与DenseBlock1通过下采样操作连接，DenseBlock之间通过Transition连接，DenseBlock1～3的层数分别为6、12、24；

步骤2、将待分割图像输入步骤1构建的图像分割模型，通过编码器对待分割图像进行编码，得到通道数分别为D、(D+32*6)、(D+32*(6+12))、(D+32*(6+12+24))的子特征图E1～E4，其中D为待分割图像的通道数；

步骤3、将步骤2得到的子特征图E4输入ASPP模块中，得到多尺度特征图M；

步骤4、使用解码器对多尺度特征图M和经过注意力门的子特征图进行上采样和反卷积操作，输出图像分割结果G1；

所述解码器包括3层解码层，解码层对输入进行两次大小为3*3的反卷积与ReLu激活操作，从下到上依次输出G3、G2、G1；每层解码层的输入由上一层解码层的输出经过上采样后，和注意力门的输出连接构成，其中，最低层解码层的输入为多尺度特征图M经过上采样后，和多尺度特征图M以及子特征图E3经过注意力门后的输出连接构成；

所述注意力门接收编码层的输出E和解码层的输出G或多尺度特征图M，输出加权后的子特征图Ei’＝Rsampler(σ2(φ(σ1(WEEi+WGGi))))Ei，G4＝M；其中σ1、σ2分别表示ReLu激活和Sigmoid激活函数，WE、WG分别表示步长为2的卷积和普通卷积，φ表示普通卷积，Rsampler表示重采样操作。

2.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：编码器中，所述卷积层对输入数据进行一次大小为3*3的卷积和ReLu激活操作；

DenseBlock对输入数据进行L次非线性转化操作，L为DenseBlock的层数。

3.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述Transition依次进行BN、ReLu激活、1*1卷积和平均池化操作。

4.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述子特征图Ei＝H([x0,x1,...,xl,...,xL‑1]),i＝1,2,3,4；其中H()表示对输入数据依次进行BN、ReLu激活、1*1卷积、BN、ReLu激活和3*3卷积的非线性转化操作；x0表示DenseBlock的输入数据，xl表示DenseBlock中第l层的输出，xl＝H([x0,x1,...,xl‑1])，l＝

1,2,...,L，LDenseBlock的层数；[x0,x1,...,xl‑1]表示进行通道维度上的连接。

5.根据权利要求1所述的一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述ASPP模块首先通过大小为1*1的普通卷积操作对子特征图E4进行降维；然后分别通过3个大小为3*3的空洞卷积，对子特征图E4提取不同尺度的特征；然后通过池化层、1*1的普通卷积和上采样操作对子特征图E4进行特征提取；最后对上述操作的输出进行叠加后再进行1*1的普通卷积操作，得到多尺度特征图M。

6.根据权利要求5所述一种基于特征重用和注意力门的医学图像分割方法，其特征在于：所述ASPP模块中，空洞卷积的扩张率分别为1、2、3。

7.根据权利要求1‑6任意一项所述的一种基于特征重用和注意力门的医学图像分割方法的分割系统，其特征在于：包括图像获取模块、图像分割模块和结果显示模块；

所述图像获取模块用于获取待分割的医学图像；

所述图像分割模块包括训练后的基于Unet结构的图像分割模型，用于接收待分割的医学图像，通过编码器提取不同层次的子特征图，通过ASPP模块进一步提取多尺度特征图，然后通过注意力门为特征图中的不同区域赋予权重，最后通过解码器将其恢复到与输入图像相同的尺寸大小，输出分割结果；

所述结果显示模块接收图像分割模块输出的分割结果，通过屏幕显示。