1.基于多任务的医学图像分割方法，其特征在于，具体按照以下步骤实施：步骤1，将transformer集成到YOLOv5中，构建transYL网络；

步骤2，采用步骤1构建的transYL网络进行阴影区域检测和边界检测的多任务分割；

步骤3，搭建Mean Teacher网络transYLmtMT，其中Student网络和Teacher网络都是步骤1中搭建好的transYL网络；

步骤4，训练步骤1构建的transYL网络，保存最终训练好的模型参数；

步骤5，对训练好的Student网络进行测试，记录相应的测试指标的值；

步骤6，根据测试结果适当调整超参数，重新进行步骤4‑5，直到得到满意的测试结果，然后使用测试好的transYLmtMT网络进行医学图像分割。

2.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤1构建的transYL网络的结构具体为：将Swin‑Transformer模块引入YOLOv5的主干层，具体为在主干层7和层9引入两个CSP结构，其中CSP1‑X应用于主干，CSP2‑X应用于Neck，每个CSP模块之前的3×3个卷积用作下采样函数；主干从输入图像中提取特征，通过SPPF模块实现局部特征和全局特征的特征图融合，然后在Neck中对特征进行融合，获得更深层的特征信息，最后在Head中进行预测，从而生成最终的阴影区域的预测图。

3.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤2中阴影区域检测的具体步骤为：首先，使用transYL网络生成不同尺度的特征图EF1、EF2、EF3、EF4和EF5，采用短连接集成后4个深层特征图，产生新的特征图DF2、DF3、DF4和DF5，其中，特征图DFk通过公式(1)所示方式获得：DFk＝Conv(Concat(EFk,...,EF5)).             (1)式(1)中，Conv(Concat(EFk,...,EF5)).表示对EFk进行短连接串联后卷积；

其次，上采样EFk以匹配空间分辨率DF1，再对DF1进行逐元素添加，以对特征图EFk进行细化，产生精细的特征图RFk，定义为：RFk＝up(DFk)+DF1                  (2)式(2)中，up表示对特征图进行上采样；

最后，按元素生成集成图Sf，定义为：

式(3)中，预测Pred(·)是通过将三个3×3卷积层、一个1×1卷积层和另一层S形激活

37应用于特征来实现的。

4.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤4中，采用Mean Teacher框架来训练模型，transYL网络同时用于学生网络和教师网络；在训练过程中，将标记好的数据输入学生网络，融合两个任务损失计算出多任务监督损失；对于未标记的数据，从输入的图像产生一个辅助的阴影映射，并分别输入到学生网络和教师网络，利用两组预测阴影信息计算多任务一致性损失。

5.根据权利要求4所述的基于多任务的医学图像分割方法，其特征在于，标记数据的全监督损失按照式(4)计算：式(4)中，L为损失函数Loss，x是指标记的数据，Gr指区域标签的真值，Ge指Gr生成的相应的边界标签的真值，Pr表示学生模型在输入图像之后输出的感染区域预测结果，Pe表示学生模型在输入图像之后输出的阴影边缘预测结果，ΦBEC是二值交叉熵损失函数，右上标s表示监督损失，α是指区域损失和边界损失的权重值；

非标记数据的一致性损失按照式(5)计算：

式(5)中，L为损失函数Loss，y是指没有标记的数据，Sr表示学生模型在输入图像之后输出的感染区域预测结果，Tr表示教师模型在输入图像之后输出的感染区域预测结果；Se表示学生模型在输入图像之后输出的感染区域预测结果，Te表示教师模型在输入图像之后输出的感染区域预测结果，ΦBEC是二值交叉熵损失函数，右上标c表示监督损失，β是指区域损失和边界损失的权重值。

6.根据权利要求5所述的基于多任务的医学图像分割方法，其特征在于，整个网络的损失函数的计算公式如公式(6)所示：s

式(6)中，N和M分别表示训练集中的带标记图像的数量、不带标记的图像的数量，L (xi)c表示第i个标记图像的多任务监督损失，L (xj)表示第j个不带标记图像的一致性损失，权重值λ是去平衡标记数据的多任务监督损失和非标记数据的一致性损失，λmax＝10。