1.一种基于三平面融合边缘U‑Net的脑肿瘤分割方法，其特征在于，包括以下步骤：S1，将获取的脑肿瘤MR图像分为训练集和验证集，并对训练集图像进行预处理，得到预处理脑肿瘤图像数据集A和边缘特征图像数据集B；

S2，基于U‑Net架构的编码器和解码器，通过对脑肿瘤MR图像进行轴向、矢向、冠向的分割，以边缘辅助模块作为跳跃连接构建边缘U‑Net模型，将提取的图像特征和边缘特征进行融合；

S3，采用交叉熵损失函数和边界损失函数相结合的组合损失函数，对边缘U‑Net模型进行训练，优化边缘U‑Net模型的参数，获得最佳模型；

S4，将预处理脑肿瘤图像数据集A和边缘特征图像数据集B一起作为不同平面的数据，分别输入到U‑Net网络模型的三个网络结构中以训练最优参数，得到最优的网络分割结果；

根据最优分割结果得到三维概率图；

步骤S2中，编码器包括图像部分编码器和边缘部分编码器，所述图像部分编码器包括5个卷积块，第一个卷积块包含3个64通道的卷积层；第二个卷积块包含3个卷积层，共128个通道；第三个卷积块由4个卷积层组成，每个卷积层有256个通道；第四个卷积块由4个卷积层组成，有512个通道；最后一个卷积块包括两个卷积层，每个卷积层有1024个通道，以及一个dropout层；在每个卷积块之后，添加一个最大池化层；

边缘部分编码器包括4个卷积块，第一个卷积块包含3个64通道的卷积层；第二个卷积块包含3个卷积层，共128个通道；第三个卷积块由3个卷积层组成，每个卷积层有256个通道；第四个卷积块由3个卷积层组成，有512个通道，在每个卷积块后，添加一个平均池化；

所述边缘辅助模块是由两个卷积层组成，第一个卷积层使用边缘映射，内核的大小为3×3，sigmoid激活层和步长均为1；第二层卷积核大小为3×3，ReLU激活层和步长为均为1；

在边缘辅助模块中，融合Mi和 特征，边缘辅助模块的表达式如下：

α＝Mi⊙ρ

其中， 是边界特征，Mi是图像本身的特征；α、ρ分别为图像部分编码器和边缘部分编码器产生的属性，δ为卷积操作；

步骤S3中，交叉熵损失CE和边界损失函数ML的组合损失函数表达式如下：L＝CE+ML

交叉熵损失的函数定义为：

边界损失函数定义如下：

其中，pc(t)表示soft‑max层的输出，C为标签中的类数；yc(t)∈{0，1}表示为每个类在体素t处的二进制值；t为体素的位置；j为索引值，Sj表示地面真实值与预测显著之间的损失， 表示真实的边界与估计边界之间的IOU。

2.根据权利要求1所述基于三平面融合边缘U‑Net的脑肿瘤分割方法，其特征在于，步骤S1中，对获取的脑肿瘤MR图像进行预处理的实现步骤如下：S11，从公开数据源上获取脑肿瘤病例图像数据集；

S12，对脑肿瘤病例图像数据集通过高斯滤波进行去噪处理、边缘提取；

S13，对轴向、矢向和冠向三个平面进行切片处理化操作，并将切片尺寸调整到合适模型的输入尺寸。

3.根据权利要求1所述基于三平面融合边缘U‑Net的脑肿瘤分割方法，其特征在于，步骤S2中，所述解码器包括4个卷积块，每个卷积块包括4个卷积层，两层核大小为2×2和一个ReLU激活函数以及两层3×3的卷积层和ReLU激活函数；

解码器融合4个输出为不同尺度的图像边缘生成四个具有不同通道数的特征。

4.根据权利要求1所述基于三平面融合边缘U‑Net的脑肿瘤分割方法，其特征在于，步骤S4中，根据最优分割结果得到三维概率图的具体实现步骤如下：根据阈值来划分不同的肿瘤部分，最后对划分出来的肿瘤进行后处理操作，得到轴向、矢向和冠向的分割结果，然后对轴向、矢向和冠向的分割结果组装成一个三维概率图；然后将每个三维概率图的尺寸调整到原始尺寸，最后将三维图平均以得到最终的概率图。