1.一种基于深度学习的皮肤病变分割方法，其特征在于，步骤包括：

第一步，将数据集分为训练样本和验证样本，对数据集中图片进行预处理，得到处理后的图片；

第二步，构建五层神经网络，将第一步中处理得到的训练样本和验证样本依批次输入该网络，使用具有动量的梯度下降法进行网络优化，得到训练完成的分类器网络；

第三步，对测试样本图片进行预处理，得到处理后的测试样本图片；

第四步，将第三步中处理后得到的测试图片输入到训练好的分类器网络中，得到预测图片；

所述第二步中五层神经网络构建步骤如下:

2.1 所述的五层神经网络包括conv_block、up_conv以及attention_block三个模块；

其中，conv_block是网络进行特征提取的模块，它包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectified liner unit)和池化层(pooling)；模块所用的卷积核大小均为3×3，填充(padding)为1，池化层都是采用2×2的卷积池，步长为2，其他为默认值；up_conv是对经过conv_block处理后的图片进行上采样，它包含了上采样层(upsample)、卷积、归一化层(BatchNorm2d)和修正线性单元(rectified liner unit)；采样因子为2，卷积核大小为3×3；attention_block就是在Unet网络上增加的注意力机制模块，在decoder部分使用Attention Gates，Attention Gates包含了卷积(convolution)、归一化层(BatchNorm2d)、修正线性单元(rectifiedliner unit)和sigmoid函数；其卷积核大小为1×1，填充(padding)为0，步长为1；首先将步骤一中得到的训练样本依次通过5个conv_block模块进行采样；

2.2 将步骤2.1中经过了5次conv_block得到的结果通过up_conv进行2倍的上采样后得到的结果g和上一层encoder得到的结果x直接对应像素相加后通过激活函数Relu，之后再用卷积核大小为1×1，步长为1，填充为0，通道数为1对其进行处理；得到的结果再用激活函数sigmoid得到了一张原图权重分布的概率图，将其与x相乘后再与g进行拼接后通过conv_block将所得结果通道数由1024变为512；

2.3 将步骤2.2中得到的结果进行重复计算；

先通过Attention Gates得到概率图后在与上一层结果(即通过conv_block_3)相乘后进行拼接；经过conv_block得到通道数为256的结果；一直进行相同的步骤直到与conv_block_1后结果进行拼接后终止这一步，然后对其进行conv_block操作将结果通道数由128改为64；之后通过卷积核大小为1×1，步长为1，无填充；得到与标签样本一样大小的分割概率图；

2.4 将2.3得到的分割概率图，使用softmax函数将概率图的值归一化到0到1；

2.5 然后使用交叉熵代价函数将2.4中得到的归一化的图和标签图进行对比；

2.6 得到2.5中代价函数值后，根据Adam算法进行反向传播，更新网络中参数的值；

2.7 将验证样本按同样的方式输入网络，使用交叉熵代价函数得到结果值，但是不进行反向传播进行网络权重参数的更新；

2.8 将2.7中得到的结果值进行对比。

2.如权利要求1所述的一种基于深度学习的皮肤病变分割方法，其特征在于，所述第一步中预处理步骤如下：

1.1 对得到的数据样本分成比例为60％,20％和20％的训练样本、验证样本和测试样本；接下来对训练样本和验证样本数据增强，将每个样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的训练样本和验证样本；

1.2 对1.1中获取的训练样本和验证样本图片对应的标签与其对应的样本图片进行相同处理，保证训练样本和验证样本没有因数据增强而与标签样本产生不一致；

1.3 接下来对1.1中数据增强后得到训练样本和验证样本归一化以此加快梯度下降速度。

3.如权利要求1或2所述的一种基于深度学习的皮肤病变分割方法，其特征在于，所述步骤三中对测试样本的预处理的具体步骤如下：

3.1 将每个测试样本进行旋转、翻转、形变以及改变对比度和光照，得到数据增强后的测试样本；

3.2 对3.1中得到测试样本归一化，将3.1中大批量样本减去样本本身的均值，实现归一化，得到归一化后的样本。