1.基于U‑net网络结构的生物医学图像自动分割新方法，其特征在于，包括以下步骤：S1：将生物医学数据集分为训练集和测试集，对训练集进行数据扩增处理，并对测试集和扩增处理后的训练集进行归一化预处理；

S2：将训练集的图像输入改进的U‑net网络模型，输出图像经过softmax层生成一个通道数为2的分类概率图，其中分类概率图与输入图像的分辨率相同；

S3：通过focal loss计算分类概率图与金标准的误差，并通过梯度后向传播方法，获得改进的U‑net网络模型的权重参数；

S4：将测试集中的图像输入S3中训练好的改进的U‑net网络模型，输出图像经过softmax层生成分类概率图；

S5：根据分类概率图中的类别概率，取概率最大的类别作为像素位置的类别，得到图像的分割结果图；

改进的U‑net网络模型包括可变形编码器和具有重构上采样结构的解码器网络组成，可变形编码器的组成依次包括输入层、第一可变形卷积层、第二可变形卷积层、第一最大池化层、第三可变形卷积层、第四可变形卷积层、第二最大池化层、第五可变形卷积层、第六可变形卷积层、第三最大池化层、第七可变形卷积层、第八可变形卷积层、第四最大池化层、第九可变形卷积层；具有重构上采样结构的解码器网络包括第一常规卷积层、第一重构上采样层、第二常规卷积层、第三常规卷积层、第二重构上采样层、第四常规卷积层、第五常规卷积层、第三重构上采样层、第六常规卷积层、第七常规卷积层、第四重构上采样层、第八常规卷积层、第九常规卷积层、第十常规卷积层即输出层；第一常规卷积层与第九可变形卷积层连接，第一重构上采样层与第八可变形卷积层进行拼接，第二重构上采样层与第六可变形卷积层进行拼接，第三重构上采样层与第四可变形卷积层进行拼接，第四重构上采样层与第二可变形卷积层进行拼接；在每个可变形卷积层和常规卷积层的激活函数之前，均加入组标准化；

重构上采样层的操作包括：

S31：对于分辨率为h×w，通道数为c的特征图，首先通过2c个1×1的卷积将其通道数增大2倍；

S32：S31输出的特征图经过组标准化操作和relu激活函数，得到了h×w×2c的特征图；

S33：将S32得到的特征图分为c/2个部分，每个部分为h×w×4，对每个部分进行重构上采样，最终生成2h×2w×c/2的特征图，由此完成分辨率扩大两倍，通道数缩小一半的上采样过程。

2.根据权利要求1所述的基于U‑net网络结构的生物医学图像自动分割新方法，其特征在于，步骤S1具体包括：

S11：将训练集中的图像数据进行旋转，旋转角度在(‑20°，20°)之间，截取旋转后的图像数据的最大矩形；

S12：将旋转后的图像数据以80％的概率进行上下翻转和左右反转，然后跳至步骤S13：S13：将图像数据以80％的概率进行弹性扭曲，然后跳至步骤S14；

S14：将图像数据进行(50％，80％)范围的缩放处理，完成数据扩增处理；

S15：计算测试集和扩增处理后的训练集中图像数据的均值和标准差，按对比度归一化公式处理图像的对比度，其中对比度归一化公式表示为：I＝(I‑Mean)/Std；

其中，I表示图像的对比度，Mean表示图像数据的均值，Std表示图像数据的标准差。

3.根据权利要求1所述的基于U‑net网络结构的生物医学图像自动分割新方法，其特征在于，可变形卷积层的操作包括：

S21：将大小为h×w×c的特征图输入可变形卷积层中，使用激活函数为elu 的卷积层对特征图进行卷积；

S22：将S21中的卷积结果输入激活函数为rule的卷积层进行卷积操作；

S23：对S22的卷积结果进行重构操作，生成3h×3w×2的偏移域；

S24：利用偏移域对特征图进行双线性插值，生成3h×3w×c的特征图；

S25：将3h×3w×c的特征图输入卷积核个数为d、步长为3的3×3卷积层，得到h×w×d的特征图即可变形卷积的输出。

4.根据权利要求1所述的基于U‑net网络结构的生物医学图像自动分割新方法，其特征在于，集中性损失函数Lfocal表示为：其中，α为常数，为应对类别不平衡的因子；γ为控制难易样本对损失函数的贡献差距的参数，且γ＞0；y(x)表示输入特征图x；p(x)表示输入特征图x的像素点，Ω为输入特征图x的值域。