1.一种医学图像中肝脏及其病灶分割的方法，其特征在于：

首先将腹部CT图像数据进行筛选及整合预处理，并划分成多个不同用处的数据集，然后搭建新的神经网络，使用小图数据进行初始训练；

之后，保存训练好的模型，使用原图和新的数据增强方式进行二次训练，对预测的图片进行膨胀和腐蚀处理，用医学评价指标进行评测；

分别用DL、GDL、TL损失函数训练的模型预测结果，将上述三个损失模型的预测结果相加取平均值形成融合特征，最后修改网络，把三个损失模型融合在单个网络进行训练预测。

2.根据权利要求1所述的一种医学图像中肝脏及其病灶分割的方法，其特征在于：具体包括以下步骤：a)首先，数据筛选及整合；

将训练的数据集剔除掉没有肝脏的切片，然后打乱成19000～20000张3d切片，3d切片是当前切片和其前后两张切片作为整体输入，选取其中的17000～18000张切片作为训练集，剩下的1800～1900张切片作为验证集，70个病人序列用于测试，其中训练集大小分为

224×224和512×512；

b)然后，搭建新的神经网络，使用小图数据进行初始训练；

把Unet中U型路径设置为主路径，全路径加上ResNet结构形成编解码结构，密集跳转连接在DenseNet基础上换成1×1的卷积层，在肝脏和病灶的过渡地带，肝脏输出的信息成为病灶的输入和卷积，肝脏其他层的输出短连接至病灶对应深度的输入；

通过网络训练缩小成224×224的数据，把有效的权重分布应用在后续模型训练上，对调整后的图片训练40～60轮，每轮12～16份切片，在训练过程中将图片进行旋转、放大、缩小，并以随机概率组合；

c)继而，使用原图和新的数据增强方式进行二次训练；

在缩小的图片数据上训练模型之后，保留网络结构和权重分布，将原图以旋转、缩放、翻转、拉伸的概率组合，使用新的学习率再进行二次训练；

d)最后，通过调整损失函数组合方式得到不同的医学评价结果；

通过单个最优损失函数模型和基于权重及相似性相结合的损失模型做不同层的监督信号，得到不同的评价结果。

3.根据权利要求2所述的一种医学图像中肝脏及其病灶分割的方法，其特征在于：步骤c)使用原图和新的数据增强方式进行二次训练，原图即是512×512大小，对图片进行旋转、缩放、翻转、拉伸操作，以随机概率组合，采用指数衰减学习率，调整每轮衰减大小调节变化，方程如下：上述公式，衰减后的学习率decayed_learning_rate，由先设定的初始学习率learning_rate乘以基数衰减速度decay_steps，衰减速度设定为0.8～0.9，每global_step步进行衰减，global_step是当前迭代轮数，即多少轮可迭代完所有的样本数据，初始学习率设定为1e-3～3e-3，在原图训练时设定为1e-4～3e-4，结果是学习率以基数0.8～0.9每一轮的步数进行衰减。

4.根据权利要求2所述的一种医学图像中肝脏及其病灶分割的方法，其特征在于：步骤d)通过调整损失函数组合方式得到不同的医学评价结果，损失函数具体为DL、GDL、TL，采用的三个损失函数如下公式，分别选取对于肝脏和病灶适用的损失函数，DL用于评估预测集合和真实集合的相似度，用于样本不均衡的情况，表达式如下：分母的量化计算采取元素平方再求和的方法，其中k和t分别代表预测区域和真值区域元素，ij代表遍历其中元素；是一种集合相似度度量函数，通常用于计算两个样本的相似度，范围为[0,1]，分子中的系数，因分母存在重复计算k和t之间的共同元素的原因，最终由各类别的2倍点乘除以各自元素的平方和得到损失值；

GDL：当肝脏病灶有多个分割区域时，针对每一类有一个Dice，而GDL将多个类别进行整合，采用一个指标进行量化计算，公式如下：其中kij为类别i在第j个像素的真实值，tij为相应的预测概率值；相比于DL，多了作为每个类别的权重wi，wi用于维系病灶区域和DL系数之间的平衡；

TL公式如下：

其中kij为类别i在第j个像素的真实值，tij为相应的预测概率值；

α和β分别控制假阳性和假阴性的比重。

5.根据权利要求4所述的一种医学图像中肝脏及其病灶分割的方法，其特征在于：当α＝β＝0.5，TL系数即是DL系数。