1.一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：所述方法包括以下步骤：步骤1：输入腺体细胞图像数据集；

步骤2：以改进的UNet作为主干网络，构建基于选择性多分支空洞卷积的腺体细胞分割网络，所述网络以上下文编码网络捕获更多高级特征，以通道注意力模块自适应重新校准通道特征响应并突出最相关的特征通道，以多尺度选择模块放大有效信息和抑制冗余信息，选择不同尺度的空洞卷积分支；

所述网络以经过ImageNet预训练的ResNet34作为特征编码器模块，以所述特征编码器模块的前4个特征提取器进行下采样，输入解码器模块；所述解码器模块包括4个组合解码器，所述组合解码器包括顺次连接的通道注意力模块、多尺度选择模块和密集空洞卷积模块，所述通道注意力模块前及密集空洞卷积模块后分别设置有卷积层；以通道注意力模块输出的特征输入所述多尺度选择模块，输入的特征映射乘以训练期间学习的因子，获得所选特征映射中每个像素的值后再与输入的特征映射相加，得到被选择的不同尺度的特征；

所述学习的因子包括顺次设置的卷积层、BN层及激活函数；所述因子小于预设值时，像素值被抑制；所述因子大于预设值时，像素值被放大；4个特征提取器与4个组合解码器配合设置；

步骤3：以输入的腺体细胞图像数据集对构建的分割网络进行训练，得到稳定的分割网络；

步骤4：输入待分割腺体细胞图像，以稳定的分割网络进行腺体细胞分割。

2.根据权利要求1所述的一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：任一所述特征提取器包括残差模块，相邻的2个特征提取器间以最大池化层连接。

3.根据权利要求1所述的一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：第1个特征提取器与第4个组合解码器的输入层跳跃连接；

第2个特征提取器与第3个组合解码器的输入层跳跃连接；

第3个特征提取器与第2个组合解码器的输入层跳跃连接；

第4个特征提取器与第1个组合解码器的输入层跳跃连接。

4.根据权利要求1所述的一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：所述通道注意力模块包括并列设置的全局平均池化层和最大池化层；特征分别输入全局平均池化层和最大池化层，全局平均池化层和最大池化层的输出端分别连接一个两层的神经网络，2个所述两层的神经网络输出的2个特征相加后，以激活函数得到权重系数；所述权重系数与输入通道注意力模块的特征相乘后再与输入通道注意力模块的特征相加，输出通道注意力模块处理后的新特征。

5.根据权利要求1所述的一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：所述密集空洞卷积模块包括4个级联分支，任一级联分值包括1个或多个卷积层；第一个分支空洞卷积率为1，第二个分支空洞卷积率为3，第三个分支空洞卷积率由1到

3，第四个分支空洞卷积率由1到3再到5，对应的每个分支的感受野大小是3、7、9和19；在每个分支中，应用1个1×1卷积校正线性激活。

6.根据权利要求1所述的一种基于选择性多分支空洞卷积的腺体细胞图像分割方法，其特征在于：所述组合解码器中，采用转置卷积来恢复解码器中的高分辨率特征，包括连续的1×1卷积、3×3转置卷积和1×1卷积；在上采样过程中产生的各个特征图与下采样过程中所提取和保留的特征图相对应地进行通道拼接。