1.一种基于深度学习的皮肤癌病变分割方法，其特征在于，包括以下步骤：

步骤1，获取训练皮肤镜图像样本：

步骤2，数据归一化；

步骤3，边缘感知神经网络模型设计：

构建一个端到端的两分支神经网络架构，其中一个分支为语义分支，用于捕获低层细节并生成高分辨率的特征表示；另外一个分支为细节分支，用于获取目标的边缘细节信息；

所述语义分支与所述细节分支并行；

步骤4，边缘感知神经网络模型训练：

将经过上述步骤1和2预处理好后的训练集皮肤镜图像分批送入到步骤3设计的边缘感知神经网络模型中，设定每批送入8张图像，然后，边缘感知神经网络模型不断学习输入图像目标的特征，使其逐渐向真实掩膜靠近，模型最后一层输出的特征图经过sigmoid函数，得到目标区域的分布概率图，再通过二元交叉熵损失，与图像真实标签比较计算损失；损失在网络中反向传递，从而得到网络参数的梯度，再根据自适应矩估计(Adam)优化器来调整参数，使损失达到最小，网络达到最佳；二元交叉熵损失计算公式如下所示：其中，Pj和Gj分别表示预测特征图和真实标签掩膜；

步骤5，分割：

训练完成后，直接向网络输入待分割的皮肤镜图像，利用学习好后的网络去预测待测试的皮肤镜图像，测试图像通过网络后输出目标区域的分布概率图，其取值范围是0‑1，设置阈值为0.5，大于0.5视为待分割的目标，小于0.5视为背景，然后将目标设置1，背景设置为0，最后就得到需要分割的病变皮肤目标的分割结果；

所述语义分支包括编码器，所述编码器后紧跟着一个用来抑制背景干扰的空间注意力模块，所述空间注意力模块后面跟着解码器；

所述编码器包含五个子模块，第一个子模块包含一个Multiblock模块和1×1的卷积，第二个到第四个模块都由一个Multiblock模块组成，每个子模块之后有一个2×2的最大池化实现的下采样层；

所述解码器包含四个子模块，分辨率通过上采样操作依次上升，直到与输入图像一致；

然后使用跳跃连接将上采样结构与编码器中具有相同分辨率的子模块的输出进行连接，作为解码器中下一个子模块的输入；

所述编码器第一至第五个子模块的分辨率分别是256×256，128×128，64×64，32×

32，16×16；

所述细节分支由两个子模块构成，第一个子模块包含一个1×1卷积和Multiblock模块，第二个子模块包含一个MuitiBlock模块，在第一个子模块后跟随着一个2×2的最大池化，然后将第二个子模块上采样到输入图像大小，然后将两个子模块的输出结构输入到语义分支对应分辨率的子模块中进行跳跃连接；

所述MultiBlock模块是DenseNet的变体，将原本的主干分支通道数减半，主干分支感受野3×3，并添加一个新分支，在所述新分支中添加了两个3×3的卷积，且所述新分支的感受野为5×5。

2.如权利要求1所述的一种基于深度学习的皮肤癌病变分割方法，其特征在于，所述空间注意力模块是沿着空间维度推断出注意力特征图，然后将注意力特征图与输入的特征图相乘进行自适应特征细化。

3.如权利要求1所述的一种基于深度学习的皮肤癌病变分割方法，其特征在于，所述皮肤镜图像样本来源于国际皮肤公开挑战赛数据集(ISIC 2018)，包含2594张不同分辨率的原始皮肤镜图像，其中原始图像的真实标签是由皮肤科医院手动标注的二值图像；为了方便处理，使用双线性插值的方式将原始图像以及图像真实标签缩放到256×256的分辨率，然后将处理后的皮肤镜图像样本进行划分：1815张用于训练，259张用于验证，520张用于测试。

4.如权利要求1所述的一种基于深度学习的皮肤癌病变分割方法，其特征在于，步骤2所述数据归一化是使用常规方法min‑max标准化，对样本数据进行线性变换，使处理后的皮肤镜图像样本数据落到[0，1]区间。

5.如权利要求1所述的一种基于深度学习的皮肤癌病变分割方法，其特征在于，在步骤

4中使用动态的学习率来调整模型优化步伐，当网络的评价指标不再提升的时候，降低网络的学习率来提高网络性能，同时在100次迭代中，当验证损失达到最小时，保存模型此时的参数。