1.一种基于半监督神经网络的医学影像处理方法，其特征在于，包括如下步骤：S1、获取图片数据集；

S2、构建DFCPS模型并训练，所述DFCPS模型包括数据增强策略和神经网络，所述神经网络包括主干网络、ASPP模块、上采样模块和Softmax函数；

所述主干网络采用ResNet‑50，并引入残差连接构建深层网络，所述ASPP模块包括四个卷积层，四个所述卷积层的空洞卷积率分别为1、12、24、36；

所述DFCPS模型的训练方法为：首先，通过数据增强策略对原始样本X进行两次不同程度的强弱数据增强，生成了两组增强样本，分别为一组是强增强样本，另一组是弱增强样本，强弱增强样本分组组合，其中组合后的强弱增强样本进入到四个神经网络之中进行训练，通过不断优化模型的参数来最小化损失值；

在训练时，每组用于强弱增强样本的神经网络共享参数和权重，每组中由弱增强样本经神经网络输出的预测结果生成的伪标签，作为每个强增强样本预测的目标；

在训练过程中，引入监督损失为Ls，其利用强增强样本和弱增强样本的信息来指导DFCPS模型的学习过程；

所述监督损失Ls由交叉熵损失函数决定，对于有标记的样本进行正常的监督学习，表达式如下：l

其中，D表示已有标签的样本集合，S定义为输入图像的面积，用高度*宽度计算，pi为对应的置信向量,yj为ground truth，lce为交叉熵损失函数；

所述训练过程设计引入了交叉伪监督损失Lcps，使得不同组弱监督样本生成的伪标签之间会相互约束；

所述交叉伪监督损失定义为 和 其中 表示的是有标签数据的监督损失，表示的是无标签数据的监督损失，表达式如下：u

其中，D表示未标签样本的集合；

故交叉伪监督损失定义为：

总的损失则可以相应定义为：

Loss＝Ls+ωLcps        (5)

其中ω为权重；

S3、使用训练好的神经网络进行图像分割

S3‑1、将经预处理的数据集作为输入，通过主干网络获取特征图；

S3‑2、将获取的特征图作为输入，通过ASPP模块提取特征并进行融合得到综合特征；

S3‑3、将获取的综合特征通过上采样技术增加数据细节，通过Softmax函数将模型的输出映射为每个类别的概率，然后根据概率选择最可能的类别作为预测结果，以生成可信度高的预测样本。

2.根据权利要求1所述的一种基于半监督神经网络的医学影像处理方法，其特征在于，所述数据增强策略用于对图片数据进行预处理。

3.根据权利要求2所述的一种基于半监督神经网络的医学影像处理方法，其特征在于，所述数据增强策略包括随机旋转、随机亮度、对比度调整和随机平移。

4.根据权利要求1所述的一种基于半监督神经网络的医学影像处理方法，其特征在于，所述步骤S3‑1的具体方法为：在主干网络ResNet‑50中，将预处理后的数据集作为输入，使用了ResNet‑50中的池化层和全连接层进行特征提取和分类，并通过残差连接允许信息直接跳过一些层，进而输出特征图。

5.根据权利要求4所述的一种基于半监督神经网络的医学影像处理方法，其特征在于，所述步骤S3‑2的具体方法为：将神经网络的输出作为ASPP模块的输入，所述ASPP模块中使用多个并行的分支进行多尺度的特征提取，并通过空洞卷积来增强感受野，最后利用输入特征图的上下文信息进行不同位置的语义关联，进而输出提取的特征。