1.一种基于半监督的双网络医学图像分割方法，其特征在于：所述该方法包括以下步骤：步骤1：收集样本，标注标签，按照4:1的比例将数据集随机划分为训练集和测试集，通过随机翻转，随机裁剪进行数据增强；

步骤2：搭建DNSS网络模型，采用基于符号距离函数的几何感知网络和基于图像变换一致性网络作为辅助解码网络来搭建DNSS网络模型，并在辅助网络末端添加不确定性感知模块；

搭建DNSS网络模型选用V‑Net作为骨干网络；

所述DNSS网络模型包括几何感知网络和图像扰动一致性网络，几何感知网络在主干网络的末端额外增加一个符号距离函数，通过对符号距离函数生成的符号距离图进行逆变换获取与真实标签相类似的分割图；

所述图像扰动一致性网络保留V‑Net的下采样过程，上采样过程为了增强网络对不同扰动下的健壮性，将原有的单一上采样拓展成2种不同的上采样过程；

图像扰动一致性网络通过添加引导性掩蔽和引导性裁剪到V‑Net中，引导性掩蔽是为了避免网络过于依赖上下文关系；引导裁剪来避免网络对输入样本特定部分的依赖；

在辅助网络末端添加不确定性修正模块，不确定性修正模块的结构为：将真实预测值纳入到量化函数中，达到增强不确定度稳定性的作用，使得主网络从辅助网络中学习高置信度预测，针对图像扰动一致性网络的不确定性感知函数定义为：其中，i表示对应体素的索引，N是辅助分类器的总数，q是主网络的预测值，将辅助分类器的预测值表示为p，n表示相应辅助分类器的索引；

为了将不确定值更好的转化成置信概率，将上述值量化成熵，熵的值越高，辅助费分类器的预测置信就越低，定义如下：通过上述方法来量化的不确定性用于过滤不确定体素，从而引导模型从更可靠的未标e记数据中学习；将i表示为预测对应的体素的索引，设置门控函数：τ 用来过滤不可靠的辅助分类器体素：步骤3：在训练集上对DNSS网络进行训练，执行分割任务并生成训练参数；

步骤4：通过训练参数在测试集上测试模型生成分割结果，并保存下来。

2.根据权利要求1所述的双网络医学图像分割方法，其特征在于：所述步骤1中的数据增强包括以下步骤：步骤1‑1：采用随机裁剪，直接裁剪处出固定大小的影像输入网络；

步骤1‑2：将图像进行旋转90度、180度和270度，以及沿轴向平面翻转图像。

3.根据权利要求1所述的双网络医学图像分割方法，其特征在于：所述步骤2中辅助网络包括引导性掩蔽和引导性裁剪，在辅助网络添加一个不确定性感知函数来量化不确定性,将其作为权重参与到无监督学习中来。

4.根据权利要求1所述的双网络医学图像分割方法，其特征在于：所述几何感知网络通过生成符号距离图来进行加强图像的边界感知力，其公式如下所示：其中，||x‑y||表示为体素x和体素y之间的欧几里得距离，Din表示目标对象的内部，和Dout分别表示目标对象的轮廓和外部；D(x)在目标内部取负值，在目标外部取正值，绝对值由到最近边界点的距离定义。

5.根据权利要求1所述的双网络医学图像分割方法，其特征在于：所述符号距离图使用平滑近似的Heaviside函数对符号距离图进行逆变换，其定义如下：其中，z是相应体素映射下的符号距离值，k是尽可能大的控制因子来近似变换，k被设置成1500来使变换图与原始分割图更加相似。