1.一种基于八度卷积改进U‑net网络的图像分割方法，其特征在于：包括如下步骤：步骤1、对CT图像进行预处理，把数据集分成训练集和测试集，并将训练集进行数据增广作为训练输入；

步骤2、构建八度卷积模块；

所述八度卷积模块包括高频分支和低频分支，高频分支包括高频卷积层、平均池化层、高频到低频卷积层以及高频Relu激活层；低频分支包括低频卷积层、上采样层、上采样Relu激活层、低频到高频卷积层以及低频Relu激活层；

所述高频卷积层的特征通道数C1是输出总特征通道数的1‑α倍，即：C1＝(1‑α)×Call  (1)

其中，α为低频通道所占总通道数的比例，Call是输出总特征通道数；

所述低频卷积层的特征通道数C2是输出总特征通道数的α倍，即：C2＝α×Call    (2)

所述平均池化层的特征图输出的边长S2为：

S2＝S1÷2    (3)

其中，S1是高频输入特征图的边长；

所述高频到低频卷积层的特征通道数C3与低频卷积层的特征通道数相同，即C3＝C2；

以Relu激活层的数学表达式皆为：

f(x)＝max(0，x)      (4)其中，x是前一层卷积层的输出；

所述上采样层的特征图输出的边长S3与高频输入特征图的边长相等，即S3＝S1；

所述低频到高频卷积层的特征通道数C4与高频卷积层的特征通道数相同，即C4＝C1；

步骤3、构建分层残差跳连模块；

所述分层残差跳连模块是由m个残差跳连模块组合的复合层；

所述残差跳连模块包括残差分支和捷径分支；其中残差分支包括第一卷积层、第一Relu激活层和第二卷积层，捷径分支包括恒等映射层和第二Relu激活层；

所述第一卷积层、第二卷积层特征通道数R1、R2与输入特征通道数Cin相同，即R1＝R2＝Cin；

所述恒等映射层特征通道数Cadd与输入特征通道数相同；

所述分层残差跳连模块中残差跳连模块的个数根据下采样次数的不同而变化，且每一层的残差跳连模块都分成高频和低频；

步骤4、以八度卷积模块替代普通卷积，以分层残差跳连模块替代原始网络的复制跳连，构建基于八度卷积的改进U‑net网络；

步骤5、对步骤4构建形成的基于八度卷积的改进U‑net网络进行训练，得到分割网络模型；

步骤6、将测试集图像输入步骤5训练得到的分割网络模型中，得到分割后的预测图。

2.根据权利要求1所述的一种基于八度卷积改进U‑net网络的图像分割方法，其特征在于：在步骤3中根据需求增加额外的1*1卷积层，其特征通道数与恒等映射层匹配。

3.根据权利要求1所述的一种基于八度卷积改进U‑net网络的图像分割方法，其特征在于：所述步骤4构建基于八度卷积的改进U‑net网络，具体为：(4.1)网络的输入端口分为高频输入端和低频输入端；高频输入端的输入图像为原始图像，低频输入端的输入图像为原始图像经过平均池化层处理后的图像；

(4.2)将多个八度卷积模块的输出端和输入端依次连接，将最后一个八度卷积模块的输出端与一个最大池化层和一个dropout层连接，形成一个编码卷积模块；

(4.3)连续使用n个步骤(4.2)中形成的编码卷积模块；

(4.4)分别将步骤(4.3)中每一个编码卷积模块中的最后一个八度卷积模块的输出连接到分层残差跳连模块，分层残差跳连模块中残差跳连模块的个数依次为n，n‑1，…，1；

(4.5)将步骤(4.3)中最后一个编码卷积模块的输出，输入到与编码卷积模块中个数相同的八度卷积模块中；

(4.6)将上采样层、上采样Relu激活层以及dropout层依次相连后，其输出与步骤(4.4)中分层残差模块对应层的输出合并，然后通入与编码卷积模块中相同个数的八度卷积模块，形成一个解码卷积模块；

(4.7)连续使用n个解码卷积模块，并将步骤(4.5)的输出通入第一个解码卷积模块；

(4.8)将最后一个解码卷积模块的低频输出特征图与上采样层和上采样Relu激活层连接后，再将其输出与高频输出特征图合并；

(4.9)将步骤(4.8)中合并后的特征图送入1×1×2的卷积层和softmax层。

4.如权利要求1所述一种基于八度卷积改进U‑net网络的图像分割方法，其特征在于：所述步骤5中，对构建的所述基于八度卷积改进U‑net网络进行训练方法为：将所选训练集送入基于八度卷积改进U‑net网络进行训练，训练策略中使用交叉熵损失函数，其定义为：表示交叉熵，其公式为：

其中：k为第k个分类，y为真实数据， 为预测数据，以对函数进行修正；损失函数越小，模型的鲁棒性越好。