1.一种基于非对称U型网络的乳腺癌病灶分割系统，其特征在于，包括：待处理图像获取模块，用于获取待处理图像；

处理模块，用于将所述待处理图像输入非对称U型网络中，获取分割结果；

其中，所述非对称U型网络包括：多分支残差编码器、外部注意力模块和边界检测模块；

所述边界检测模块包括：多级边界检测，用于在解码器的不同层级输出不同分辨率的病灶边界预测图；各级预测图充当监督信号以关注复杂边界轮廓；

其中，所述多级边界检测模块在解码器的不同层级输出不同分辨率的病灶边界预测图，执行如下操作：在预设的高分辨率图像进行上采样，得到与标签图像尺寸相同的特征图；

进行卷积操作生成包含了潜在病变区域边界信息的第一参数集；

将所述第一参数集经过最大池化层来获得第二参数集；

计算所述第一参数集与第二参数集之间的绝对差异集作为边界预测图。

2.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器，用于采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征。

3.如权利要求2所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述多分支残差编码器采用预设个数的分支对待处理图像进行特征提取后，将各组特征融合以形成最终的表征特征，包括：构建所述待处理图像对应的特征图；

通过多个共用权重的分支对所述特征图进行细节提取，获取各个分支的模型的输出；

基于所述特征图和各个分支的模型的输出，确定所述表征特征，计算公式如下：式中，f为所述表征特征，I0为特征图， 为第g分支的模型的输出，G为分支总数。

4.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，通过多个共用权重的分支对所述特征图进行细节提取，获取各个分支的模型的输出，包括：每个分支分别对所述特征图进行三次卷积和归一化处理。

5.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述外部注意力模块包括：键矩阵和值矩阵；

将表征特征与键矩阵的转置矩阵相乘后归一化，再与值矩阵相乘得到输出特征。

6.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，其特征在于，非对称U型网络采用的总损失函数如下：其中，N为侧向输出的CNN层总数， 用来度量第i侧向层预测结果与真实标签之间的相似性， 和 分别表示第i层边界损失和分割损失，ω1为预设的第一权重，ω2为预设的第二权重，ω3为预设的第三权重。

7.如权利要求1所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，在处理模块将所述待处理图像输入非对称U型网络中，获取分割结果，之前，所述处理模块还执行如下操作：基于预设的初始特征提取模板，对所述待处理图像进行特征提取并基于提取的特征值构建图像特征集；

将图像特征集与预设的模型存储库中各个非对称U型网络模型对应关联的标准特征集集合内各个标准特征集进行匹配；

基于匹配结果，确定各个非对称U型网络模型的适配度；

提取所述适配度最高的所述非对称U型网络。

8.如权利要求7所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述非对称U型网络模型对应关联的标准特征集集合通过如下步骤构建：获取所述非对称U型网络模型的训练数据；

基于预设的初始特征提取模板，对训练数据内各个图像进行特征提取并基于提取的关键特征值构建各个图像对应的图像特征集；

计算各个图像对应的图像特征集两两之间的相似度；

提取总相似度前预设的数量的图像特征集，构建所述标准特征集集合；其中，构建所述标准特征集集合的各个图像特征集作为所述标准特征集；

基于标准特征集集合内各个标准特征集对应的总相似度为基准，配置匹配值。

9.如权利要求7所述的非对称U型网络的乳腺癌病灶分割系统，其特征在于，所述基于匹配结果，确定各个非对称U型网络模型的适配度，包括：解析所述匹配结果，确定与非对称U型网络模型对应关联的标准特征集集合内各个标准特征集的相似度；

基于所述相似度，确定适配系数；

基于所述适配系数和所述标准特征集对应的匹配值，确定适配度；

其中，所述适配度为各个标准特征集对应的匹配值与对应的适配系数的乘积的和。