1.一种基于动态卷积的轻量级医学图像分割方法，其特征在于，所述基于动态卷积的轻量级医学图像分割方法，包括：获取待分割医学图像，输入到构建的分割网络模型，所述分割网络模型包括编码模块和解码模块；

在编码模块中对待分割医学图像依次经过三个编码单元，获得各个编码单元输出的第一编码特征图、第二编码特征图和第三编码特征图，然后将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征；

在解码模块中，将语义特征和空间特征输入到第一个解码单元获得第一解码特征图，将第一解码特征图和第三编码特征图输入到第二个解码单元获得第二解码特征图，将第二解码特征图和第二编码特征图输入到第三个解码单元获得第三解码特征图，将第三解码特征图和第一编码特征图输入到第四个解码单元获得第四解码特征图，最后将第四解码特征图输入到动态卷积单元得到分割结果；

其中，所述将第三编码特征图分别输入到语义分支和空间分支提取语义特征和空间特征，包括：将第三编码特征图分别输入到语义分支和空间分支，所述语义分支包括两个编码单元，所述空间分支包括两个1×1卷积，语义分支中第一个编码单元的输出经过下采样和激活函数后与空间分支中第一个卷积的输出相乘后输入到空间分支中第二个卷积，空间分支中第一个卷积的输出经过上采样和激活函数后与语义分支中第一个编码单元的输出相乘后输入到语义分支中第二个编码单元；

将语义分支中第二个编码单元的输出经过下采样和激活函数后与空间分支中第二个卷积的输出相乘后输入得到空间特征，将空间分支中第二个卷积的输出经过上采样和激活函数后与语义分支中第二个编码单元的输出相乘后得到语义特征；

所述编码单元，执行如下操作：

使用深度卷积对输入特征图进行处理，然后通过1×1卷积进行升维将通道数扩大到4倍，并记为X1，然后再用1×1卷积降维，将通道压缩为1，再使用Sigmoid函数处理得到X2，再将X2和X1作逐元素相乘得到X3；

将X1与X3进行连接后输入到1×1卷积再次减少通道数，然后与输入相加后输入到动态卷积，最后经过最大池化操作得到编码单元的输出。

2.根据权利要求1所述的基于动态卷积的轻量级医学图像分割方法，其特征在于，所述语义分支中第二个编码单元，执行如下操作：使用深度卷积对输入特征图进行处理，然后通过1×1卷积进行升维将通道数扩大到4倍，并记为X1，然后再用1×1卷积降维，将通道压缩为1，再使用Sigmoid函数处理得到X2，再将X2和X1作逐元素相乘得到X3；

将X1与X3进行连接后输入到1×1卷积再次减少通道数，然后与输入相加后输入到动态卷积，得到编码单元的输出。

3.根据权利要求1所述的基于动态卷积的轻量级医学图像分割方法，其特征在于，所述解码单元，执行如下操作：对解码单元的输入F1和F2，首先通过一个1×1卷积将F1的通道数缩减为输入的一半，然后通过线性差值将1×1卷积输出特征图放大为2倍大小；

对线性差值得到的结果使用挤压与激励操作处理，再将得到的结果与F2拼接后输入到动态卷积中，得到解码单元的输出。