1.一种基于多角度U-Net的医学图像分割方法，其特征在于，所述方法包括以下步骤：步骤1，图像预处理：训练集中原始图像经过空间重采样、灰度值归一化等过程，生成对应的身体组织以及背景图像；然后，通过裁剪上步生成的图像以及对应该图像的标签，得到包含目标组织的最小非0区域；

步骤2，生成训练样本：利用给定的patch size将步骤1中生成的最小非0区域裁剪为固定尺寸的patch，同时，以不同概率提取patch作为训练样本；

步骤3，训练网络模型：搭建多角度U-Net网络模型，使用步骤2中生成的训练样本训练该网络模型，生成对应模态的目标三维图像。

2.如权利要求1所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述步骤3中的多角度U-Net网络，是将多角度卷积模块作为卷积层，多角度卷积模块融合多角度2D可分离卷积与深度可分离卷积，将空间和通道信息分开映射，实现了空间与通道的分离，同时加入残差结构，解决了梯度消失和梯度爆炸的问题。

3.如权利要求2所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述多角度U-Net网络模型是在3D U-Net的基础上，采用多角度卷积模块，多角度卷积的卷积过程为：

3.1、对输入的三维图像分别在冠状面、矢状面以及横截面三个方向上进行2D卷积，得到与原输入三维图像尺寸相同的三个特征图；

3.2、在横截面方向上对三个数据进行拼接，得到一个新的三维特征图；

3.3、利用指定个1×1的卷积核对该三维特征图进行卷积，得到指定个与原输入三维图像尺寸相同的三维特征图；

3.4、在多角度卷积模块上加入残差结构，使得当网络层数过大时，仍能使训练过程取得较好结果。

4.如权利要求1～3之一所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述步骤1中，所述重采样算法采用最邻近算法。

5.如权利要求1～3之一所述的基于多角度U-Net的医学图像分割方法，其特征在于，所述医学图像为肿瘤图像。