1.一种引入特征融合与边缘检测的图像分割方法，其特征在于：包括以下步骤：S1：数据准备阶段：获取并预处理脑组织图像，将预处理后的图像分为训练集和验证集，将三维图像切成预设大小的图像块；

S2：特征编码阶段：通过普通3D卷积以及可形变3D卷积提取图像特征；

S3：特征解码阶段：将编码阶段的特征传递融合，利用上采样恢复图像特征；

S4：边缘检测阶段：取编码阶段的三层特征作为提取边缘信息的来源，利用边缘信息聚合模块对三层特征充分学习，最终学习到边缘信息；将此阶段的结果与步骤S3中恢复的图像特征的结果拼接，得到分割结果。

2.根据权利要求1所述的引入特征融合与边缘检测的图像分割方法，其特征在于：所述步骤S1包括以下步骤：S11：对三维图像进行裁剪，将像素值为0的多余区域，保留包含完整待检测区域的最小立方体；

S12：对裁剪的图像使用Z‑Score归一化，让图像的均值为0，标准差为1，使得图像在灰度分布上服从正态分布；

S13：将处理后的三维图像数据切成一个个32×32×32大小的图像切块，随机提取一个切块作为模型的输入；如果是多模态的数据，则将所有模态的数据拼接起来，组成多通道图像输入。

3.根据权利要求1所述的引入特征融合与边缘检测的图像分割方法，其特征在于：所述步骤S2包括以下步骤：S21：使用3D卷积提取对三维图像进行特征提取，得到32×32×32的抽象语义特征；

S22：利用集成3D可形变卷积的下采样对S21的特征图进行压缩，同时使得下一步同样的卷积能在更大的图像范围上特征提取；

S23：重复操作S21和S22，最终得到4×4×4的特征图。

4.根据权利要求1所述的引入特征融合与边缘检测的图像分割方法，其特征在于：所述步骤S3包括以下步骤：S31：将编码阶段相邻的三个特征图融合并传递到解码层，然后通过上采样将特征图放大两倍，从而恢复到与输入特征尺寸相同的特征图；

S32：在特征传递过程中使用可形变空间位置注意力机制对空间信息进行建模，将空间信息传递到解码层。

5.根据权利要求4所述的引入特征融合与边缘检测的图像分割方法，其特征在于：步骤S32中所述可形变空间位置注意力结构如下：x1＝DeConv(x)

x2＝DeConv(x)

x3＝DeConv(x)

T

α＝σ(x1·x2)

其中，x代表模块的输入三维特征图，DeConv(·)代表1×1×1可形变卷积，x1、x2、x3表示经过可形变卷积后的特征图，σ代表Sigmoid激活函数，α表示经过激活后的注意力权重，T代表矩阵的转置，表示α与x3进行加权求和得到的最后注意力分数。

6.根据权利要求1所述的引入特征融合与边缘检测的图像分割方法，其特征在于：所述步骤S4包含以下步骤：S41：使用编码阶段的后三层特征作为边缘信息来源，其中的低层次特征提供局部的边缘信息，高层次特征拥有更大的感受野，通过特征融合操作得到最初的边缘信息；

S42：通过传统的边缘检测算子提取金标准的边缘信息，与步骤S41的最初的边缘信息进行基于损失函数的交互学习，优化边缘信息；将优化后的边缘信息与步骤S3阶段的结果拼接，获得模型最终分割结果。