1.一种基于多尺度U型卷积神经网络的重叠染色体分割方法，其特征在于，包括：(1)对重叠染色体图像进行数据扩增；

(1a)将重叠染色体图像扩增至128×128尺寸；

(1b)生成对应大小的像素级类别标签图像；

(2)构建同步长池化模块（Same Stride Pooling Module，SSPM）;(2a)统一各池化层的步长，均设置为2;

(2b)在各池化层分别设计不同大小的池化尺寸，池化后的各特征图经过1×1卷积降至

1维；

(2c)经过2倍上采样得到与原图尺寸相同的多尺度特征图，最终堆叠各特征图并经1×

1卷积操作输出;

(3)构建多层空洞卷积模块（Multi Atrous Convolution，MAC）；

(3a) MAC具有五条支路，其中四条支路仅保留一层空洞卷积，且各条支路中空洞卷积模块的填充空洞数逐条增加，第五条分支不加操作；

(3b) 在其中空洞数大于1的三条分支上又应用一个1×1卷积进行线性校正，最后将五个分支的输出进行相加；

(4)构建Res Path模块；

(4a)在简单跳连接的路径上加上一系列卷积块构成Res Path，从而缓解编码器与解码器之间语义信息的差异；

(4b) MACS Net采用五个Res Path模块替换原先的五条跳连接, 分别记为Res Path Ⅰ、Ⅱ、Ⅲ、Ⅳ和Ⅴ;(4c)第一个连接中设计了最多的卷积块，而其他路径中卷积块的数量逐个减少；

(5)构建MACS Net；

(5a)本发明基于UNet，通过设置SSPM、MAC及Res Path模块等提出MACS Net网络，网络主体由27个标准卷积层、5个池化层和5个上采样层组成；

(5b)在网络最底层使用(4)中的MAC和(3)中的SSPM模块替换原本的卷积模块；

(5c)本发明的网络采用(5)中的Res Path模块实现编解码器间的跳连接;(6)对MACS Net网络进行训练;

为了有效避免过学习和欠学习，并综合考虑计算成本，本发明开展5折交叉验证实验并统计其测试集的各个区域的IoU得分用于最终性能的评估；网络统一采用Adam优化器最小化目标函数，这是一种经实践表明性能较优，且可自适应调节学习率的优化方法。

2.根据权利要求1所述的方法，其特征在于，步骤(2b)中考虑到网络最底层特征图的尺寸为4×4，在各池化层设计不同大小的池化尺寸2、3和4。

3.根据权利要求1所述的方法，其特征在于，步骤(3b)中在空洞数为2、3和4的三个分支上又应用一个1×1卷积进行线性校正。

4.根据权利要求1所述的方法，其特征在于，步骤(4c)中考虑到Res Path Ⅰ中存在最多的信息差异，因此设计了最多的卷积块。

5.根据权利要求1所述的方法，其特征在于，步骤(5b)中使用SSPM模块替换了UNet原本的卷积模块，可以提取更丰富的多尺度空间特征；

步骤(5c)中使用Res Path模块替换简单跳连接，在提取空间特征的同时充分利用网络中的上下文信息和语义信息。

6.根据权利要求1所述的方法，其特征在于，步骤(6)中的5折交叉验证实验是指每组实验中均将所有重叠染色体图像分为5份，每份数据分别作为测试集，其余4份作为训练集，分别训练5个模型。