1.一种抗噪声数据的乳腺超声结节分割方法，其特征在于，包括以下步骤：S1、将原始病人超声图像数据进行脱敏处理，构建数据集，使用Labelme标注软件标记每张图像的结节区域，再将数据集分为训练集和测试集两部分；

然后对脱敏后的超声图像预处理：使用非线性多尺度小波扩散算法对超声图像进行去噪，使用对比度有限自适应直方图均衡化对图像进行对比度增强；

S2、使用Unet网络训练分割模型，根据损失函数对分割模型进行训练，优化模型参数；

网络训练输入为训练集的乳腺超声原图像和对应的手工标注结节掩模图像，网络输出为预测的结节掩模图；

在步骤S2中，使用focalloss函数和diceloss函数联合作为训练模型的损失函数，其中，focalloss函数的表达式如下：Lfocalloss＝-αt(1-pt)μ*γlog(pt)    (1)式中，pt是超声图像每个像素的模型预测输出，范围[0，1]，αt、μ、γ超参数；

其中，diceloss函数的表达式如下：

式中，θTP代表模型预测和人为标注结节区域重合的像素数量，θFP代表错误预测为结节，实际是背景部分的像素数量，θFN代表错误预测为背景部分的像素数量；

最终的损失函数为：

Lloss＝βLfocalloss+δLdiceloss    (3)式中β、δ为超参数；

S3、模型训练采用多轮次，每一轮次的模型训练结束，计算每个图像的似噪音指数s，以s范围值为横坐标，范围内s值的个数为纵坐标，当s的分布接近两个正态分布时进入S4步骤，s计算公式如下：其中，y*代表人工标注的乳腺结节掩模图像，代表整个图像的模型预测输出，c的值为类别标签，d为阈值，像素值大于d的区域为乳腺结节；

S4、经过S3，所获得的两个正态分布交于点τ，s值大于临界点的样本被认定为噪声；通过动态调整噪声样本对应的超参数μ来降低损失函数值，从而降低噪声样本对模型的干扰；

超参数μ的计算公式如下：

其中τ为两个正态分布的交界点， 为两个正态分布的顶点，ω为超参数；

继续训练模型，直到损失函数值不再下降；

S5、运用模型进行结节分割：输入乳腺二维超声图像，模型自动输出结节掩模图像，再运用阈值对掩模图像进行更新，像素值大于阈值的设为1，否则更新为0；更新后图像像素为

1的区域即为结节区域，再根据掩模图像标记原乳腺超声图像结节区域，得到分割结果。