1.一种基于深度学习的肾穿刺图像多类肾小球自动分割方法，其特征在于，包括：获取待分割的肾穿刺图像；将所述待分割的肾穿刺图像输入训练好的多类肾小球自动分割模型；

根据所述多类肾小球自动分割模型的输出，得到肾小球多类语义分割结果；其中所述多类肾小球自动分割模型包括编码器、分类分支、解码器和分割分支；所述编码器的处理过程包括：以肾穿刺图像作为输入，将肾穿刺图像经过Patch Partition处理得到第一Token，第一Token经过Token转特征图模块转换为第一特征图；第一Token经过第一Transform模块处理得到第二Token，第二Token经过Token转特征图模块转换为第二特征图；第二Token经过第二Transform模块处理得到第三Token，第三Token经过Token转特征图模块转换为第三特征图；第三Token经过第三Transform模块处理得到第四Token，第四Token经过Token转特征图模块转换为第四特征图；第四Token经过第四Transform模块处理得到第五Token；

所述解码器的处理过程包括：第五Token和第四特征图经过第四VGG模块上采样后拼接处理得到第四上采样特征图；第四上采样特征图和第三特征图经过第三VGG模块上采样后拼接处理得到第三上采样特征图；第三上采样特征图和第二特征图经过第二VGG模块上采样后拼接处理得到第二上采样特征图；第二上采样特征图和第一特征图经过第一VGG模块上采样后拼接处理得到第一上采样特征图；

所述分类分支的处理过程包括：以编码器第四Transform模块输出的第五Token作为输入，进行标准化LayerNorm操作；对标准化后的第五Token使用平均池化操作使Token维度为

1，保留批次维度与特征维度；使用全连接层将平均池化操作得到的特征维度映射到n维向量，其中n表示肾小球类别数量；对n维向量进行SoftMax操作，得到每一类的概率值，即分类结果；

所述分割分支的处理过程包括：以解码器第一VGG模块得到的第一上采样特征图作为输入，首先使用卷积核大小为2x2的卷积操作将第一上采样特征图的通道数映射到2维，即背景和肾小球区域，然后对映射后的第一上采样特征图进行SoftMax操作得到每一个像素点上，背景和肾小球区域的概率值，即轮廓分割结果；

将每张肾小球图像的分类结果和轮廓分割结果进行融合，得到完整的肾小球多类语义分割结果。

2.根据权利要求1所述的一种基于深度学习的肾穿刺图像多类肾小球自动分割方法，其特征在于，获取待分割的肾穿刺图像包括：将原始肾穿刺图像在20倍放大倍数下，将每个肾小球置于中心并裁剪出384*384大小的图像块；将裁剪出的384*384大小的图像块进行归一化处理，得到待分割的肾穿刺图像。

3.根据权利要求1所述的一种基于深度学习的肾穿刺图像多类肾小球自动分割方法，其特征在于，所述多类肾小球自动分割模型的训练方法包括：获取训练数据集；

将所述训练数据集输入多类肾小球自动分割模型，结合分类任务损失函数进行训练，直至达到预设条件，得到训练好的多类肾小球自动分割模型。

4.根据权利要求3所述的一种基于深度学习的肾穿刺图像多类肾小球自动分割方法，其特征在于，获取训练数据集包括：A1.将带标签的原始肾穿刺图像在20倍放大倍数下，将每个肾小球置于中心并裁剪出

384*384大小的图像块；

A2.对数据进行归一化处理；

A3.数据增强方法具体包括：水平翻转、垂直翻转和转置中的一种，随机进行随机旋转

90°、弹性形变和网格畸变。

5.根据权利要求3所述的一种基于深度学习的肾穿刺图像多类肾小球自动分割方法，其特征在于，所述分类任务损失函数 ，包括：；

其中，取0.5，取2， 表示正确类别的交叉熵损失， 表示正确类别的相对置信度；

；

；

其中 表示正确类比的预测概率， 表示除正确类别外，最大的预测概率值。

6.一种基于深度学习的肾穿刺图像多类肾小球自动分割装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至5任一项所述方法的步骤。

7.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。