1.一种基于改进型3D-UNet的MRI图像脑肿瘤分割方法，其特征在于，包括如下步骤：步骤一、对获取到的带有标记信息的三维MRI图像进行预处理，具体包括如下内容：1)将三维MRI图像沿z轴切片并标号后按照下述方法剔除颅骨部分：a)从切片后图像最左侧中间位置作为起点向右开始直线搜索；

b)搜索到第一个非零像素点后停止搜索并作为颅骨剔除初始坐标；

c)由初始坐标开始搜索，使用区域生长算法搜索到完整颅骨图像并标记；

d)将标记的像素点进行删除；

剔除完成后依照标号将切片后的图像重新拼接为剔除颅骨后的脑部三维MRI图像；

2)搜索图像中的所有的非零像素点并标记位置，使用所有标记位置中的最大最小值作为图像的上下边界，将边界外的无效像素点删除；

3)使用最邻近插值算法将图片分辨率大小调整为120*120*80；

4)对所有像素进行Max-min归一化；

5)将处理完成的三维MRI图像随机分为训练集和验证集、二者比例为9：1步骤二、构建改进型3D-UNet网络，具体包括如下内容：

1)使用一个拼接模块，将MRI图像的T1、T2、T1CE、Flair四种模态的图像进行通道拼接后输入到3D-UNet网络；

2)利用残差卷积模块替换3D-UNet网络的采样模块；

3)利用空洞特征提取模块替换3D-UNet网络的桥接部分；

4)将下采样过程中后级的卷积结果进行上采样并与上层结果拼接组合后输入到网络解码部分的拼接模块中；

5)利用通道注意力模块改进解码部分的通道选择；

步骤三、使用预处理完成的训练集数据对改进型3D-UNet网络进行训练，得到脑肿瘤分割网络；

步骤四、将待分割的脑部MRI图像导入脑肿瘤分割网络，然后经过脑肿瘤分割网络处理得到脑肿瘤分割结果。

2.根据权利要求1所述的一种基于改进型3D-UNet的MRI图像脑肿瘤分割方法，其特征在于，所述步骤二中的第2步，残差卷积模块的具体结构为：每个层级的采样模块包括：依次由1个步长为2的3*3*3卷积核、1个ReLU激活函数、1个步长为1的3*3*3卷积核、1个ReLU激活函数层组成的主分支，以及依次由1个步长为2的1*1*1卷积核、一个ReLU激活函数层组成的残差分支，两个分支共用同一个输入，并将两个分支的输出同时输入到一个叠加模块中进行相加最终输出到下一层级。

3.根据权利要求1所述的一种基于改进型3D-UNet的MRI图像脑肿瘤分割方法，其特征在于，所述步骤二中的第3步，空洞特征提取模块部分具体结构为：使用三个并联的模块同时接受输入，三个模块结构均为依次由1个步长为1的3*3*3卷积核、一个ReLU激活函数层、一个BatchNormalization层组成，不同之处在于三个卷积核的膨胀率分别为3、6、9，三个并联模块的输出同时输入一个拼接模块，然后按通道进行拼接后输出。

4.根据权利要求1所述的一种基于改进型3D-UNet的MRI图像脑肿瘤分割方法，其特征在于，所述步骤二中的第5步，通道注意力模块的具体结构为：对输入的全部通道进行输出为1*1*1全局平均池化，得到每个通道的特征值，依次通过相连的全连接层1、ReLU层、全连接层2及归一化处理得到每个通道的权重、按照通道权重大小排序，丢弃权重较低的通道，仅保留所需要的通道数。

5.根据权利要求1所述的一种基于改进型3D-UNet的MRI图像脑肿瘤分割方法，其特征在于，所述步骤二中，改进型3D-UNet网络具体结构为：输入拼接模块连接四个残差卷积模块进行下采样，后续连接空洞特征提取模块，之后连接四层由串联模块、通道注意力模块、以及残差卷积模块组成上采样模组，下采样部分每个残差卷积模块都会连接到同层级串联模块并在经过上采样后输入到上级串联模块中，最后连接输出模块。