1.一种用于脑肿瘤图像分割的深度证据FCM聚类方法，其特征在于，包括以下步骤：S10、采集脑肿瘤MRI图像，对脑肿瘤MRI图像进行预处理；

S20、利用自编码器对输入脑肿瘤图像进行特征学习并实现降维，其中，先使用卷积神经网络提取脑肿瘤图像特征，然后通过线性层降低脑肿瘤图像数据维度；

所述步骤S20包括如下步骤：

S21、在卷积自编码器中输入脑肿瘤MRI的图像数据，通过卷积自编码器的编码层和解码层输出重构后脑肿瘤MRI的图像，这个操作目标是通过最小化图像的输入和输出之间的均方误差MSE来优化卷积自编码器的网络结构；

S22、卷积自编码器被定义为：

fw(t)＝σ(t*W)≡h (1)

gU(h)＝σ(h*U) (2)

其中，t和h是矩阵，“*”是卷积算子，fw(·)是卷积自编码器的编码器，gU(·)是卷积自编码器的解码器，传统的自动编码器由两层组成，分别对应于编码器fw(·)和解码器gU(·)，fw(t)和h是数据t通过卷积自编码器的编码器降维得到的结果，gU(h)是数据h通过卷积自编码器的解码器得到的结果；

S23、使用一些卷积层来提取输入图像的特征，然后将最后一个卷积层中所有单元展平以形成一个向量，接着形成一个只有h个单元的全连接层，该全连接层称为嵌入层，通过上述过程，输入的2D图像被变换到h维特征空间中，使用一个全连接层和一些反卷积层来将嵌入特征转换回原始图像，通过最小化重构误差来更新编码器h＝fw(t)和解码器x'＝gw'(h)的参数，来优化卷积自编码器的参数，重构误差L1表示为：其中，n是数据集中的图像数量，ti是第i个图像；

S30、在降维后的脑肿瘤图像特征表示上运用FCM聚类算法，运用三支策略对图像数据进行聚类点的分配，分配出确定的和不确定的脑肿瘤图像分割区域；

所述步骤S30包括如下步骤：

S31、图像通过卷积自编码器得到特征总数N和聚类数目c，根据特征总数N和聚类数目c，运用模糊c均值算法进行初始聚类，通过多次迭代运算，将目标函数的误差逐渐降低至预定范围，当目标函数收敛时，获得最终的聚类结果，FCM的目标函数L2为：其中，N是提取的特征总数，c是聚类中心的数目，m为超参数，uij是数据点xi对聚类中心cj的隶属度，i＝1,2,…,N；cj是第j个聚类中心，||xi‑cj||是第i个特征到第j个聚类中心的欧氏距离；

S32、设U＝{uij}为隶属度矩阵，大小为N×c，是每个特征属于每个聚类中心的概率大小，隶属度矩阵满足：S33、根据隶属度矩阵，将特征i划分到第a类中，其中：

S34、目标函数中聚类中心和隶属度矩阵迭代更新公式如下：S35、根据上述迭代更新公式，对特征的隶属度矩阵和特征的聚类中心进行迭代更新，当目标函数收敛时，得到特征对于聚类中心的隶属度矩阵U＝{uij}和聚类中心cj；

S36、根据隶属度矩阵U＝{uij}，使用三支决策理论将聚类点进行划分，分为核心区和边缘区，核心区的数据点为确定聚类中心的数据点，边缘区的数据点则需要进行再分配，对于每个数据点xi和所有的聚类中心cj，令其划分过程如下：其中i是聚类中心的数量，ε1是超参数；

S37、数据点对聚类中心的隶属度越大，那么该数据点越可能属于聚类中心所属聚类，如果xi对于任意一个聚类中心的隶属度大于等于ε1，则xi数据点划分为核心区，属于确定点，是分配给确定聚类中心的数据点，如果xi对于任用于脑肿瘤图像分割的深度证据FCM聚类方法意一个聚类中心的隶属度小于ε1，则xi数据点划分为边缘区，属于不确定点，需要进行再分配；

S40、运用粒舱加速脑肿瘤图像数据点邻居的选择，运用证据理论融合脑肿瘤图像数据点邻居的隶属度，根据隶属度分配不确定的图像分割区域；

所述步骤S40包括以下步骤：

*

S41、设X＝{x1,x2,…xN}为特征数据集，给定决策系统X，确定两个控制样本x和x*，其特征值给出如下：*

其中，xi是需要进行再分配的数据点，根据式(10)构造不确定数据点的两个控制样本x和x*；

*

S42、计算这两个控制样本x和x*到所有样本的距离记录所有距离，将粒舱的公式构造为：*

GCB(xi)＝GB(xi)∪*GB(xi)                   (11)其中，

* * *

GB(xi)＝{xm∈X:ΔB(xm,x)≤ΔB(xi,x)+δ           (12)*GB(xi)＝{xm∈X:ΔB(xm,x*)≤ΔB(xi,x*)+δ           (13)其中，xm是第m，1≤m≤N个特征数据点，X＝{x1,x2,…xN}是特征数据集，ΔB是在特征子集 上的距离函数，它的计*算公式为 δ，δ≥0是给定邻域半径大小，通过式(12)构造以x为中心的邻域，通过式(13)构造以x*为中心的邻域，通过式(11)构造出所有不确定点的粒舱，两个控制样本为中心的邻域形成的两个子集之间的相交区域，粒舱包含数据点xi的邻居点；

S43、计算不确定数据点xi与粒舱内可能邻居点的欧式距离，选取最小的K个邻居点作为不确定数据点xi的K个邻居点，K个邻居点分别为S44、根据不确定数据点xi的K个邻居点的对于聚类中心cj的隶属度矩阵U'计算如下：其中， 是邻域特征点K1相对于聚类中心c1的隶属度；

S45、设Θ是一个识别框架或称假设空间，对xi的K个邻居点对于聚类中心c1的隶属度运用Dempster合成规则进行合成，合成公式如下：其中，D为归一化常数，

其中m是在识别框架Θ上的基本概率分配函数，满足 且

S46、将xi的K邻居点 对于聚类中心cj的隶属度 代入Dempster合成规则公式得到xi对聚类中心cj的最终隶属度：

S47、根据最终该不确定数据点xi的对各个聚类中心的隶属度大小u'ij划分该不确定数据点；

S48、将数据点x1到xN重复S36至S47步骤，直到所有数据点都确定属于哪个簇；

S50、基于步骤S10至步骤S40对深度聚类模型进行训练，运用训练好的深度聚类模型，对脑肿瘤图像进行分割。

2.根据权利要求1所述用于脑肿瘤图像分割的深度证据FCM聚类方法，其特征在于，所述步骤S10中，采集脑肿瘤的MRI图像数据，形成原始数据集，接着对原始数据集进行预处理，进行切片操作，将脑MRI体积图像转换为二维切片图像，预处理后的数据转化为二维图像数据，标记二维图像中的脑肿瘤区域，将原始的二维图像与被标记脑肿瘤区域的二维图像进行一一对应，形成数据集，数据集包含原始的二维图像与被标记脑肿瘤区域的二维图像，最后将数据集划分为训练集和测试集。

3.根据权利要求1所述用于脑肿瘤图像分割的深度证据FCM聚类方法，其特征在于，所述步骤S10中，基于S10至S40步骤对深度聚类模型进行训练，运用训练好的深度聚类模型，对脑肿瘤图像进行分割。