1.一种基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：包括以下步骤：S1：通过MT‑GAN方法对数据集进行扩充预处理，同时生成乳腺医学图像及匹配掩码图像；

S2：在传统的U‑net网络中，将原有的卷积模块替换为设计的多尺度注意力残差模块MAblock，得到MAU‑Net网络；

S3：在MAU‑Net网络的基础上引入W‑GAN网络，构建混合损失函数，对乳腺进行分割。

2.根据权利要求1所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：步骤S1所述通过MT‑GAN方法对数据集进行扩充预处理，具体包括以下步骤：S11：MT‑GAN网络中的生成器G采用编解码的结构，将带有样本特征的多个引导条件信息通过编码后，与随机噪声z在解码前进行融合，通过解码器逐步生成伪数据；其中，带样本特征的条件的引导信息包括带有样本特征的原始超声图片I、对应的掩码图片S以及类别标签C；生成器生成伪数据包括带有样本特征的超声图片I’、对应的掩码图片S’及类别标签C’；

S12：将生成器生成的伪数据信息{I’，S’，C’}，与来自真实数据集的信息{I,S,C}进行再匹配，创建新的分组，送入判别器D中进行判别，输出合成图像的类别信息、判别合成超声图像及对应掩码图像的真伪；

S13：对生成器与判别器进行交替训练。

3.根据权利要求2所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：所述MT‑GAN网络生成器G中的编码器由5组残差块和下采样模块组成，解码器由5组残差块和上采样模块组成，在编码器与解码器之间进行跳跃连接；所述残差块包括两组卷积、BN和Leaky ReLU组件。

4.根据权利要求3所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：所述MT‑GAN网络中的判别器D由判别模块和分类模块组成；

所述判别模块：将生成器生成的伪数据信息{I’，S’，C’}与来自真实数据集的信息{I,S,C}分组为：{原图I，合成图I’}，{(原图I，掩码S)，(合成图I’，合成掩码S’)}，{(原图I，掩码S，类别C)，(原图I，掩码图S，预测类别C)，(合成图I’，合成掩码S’，类别C)}；判别模块使用三组判别分支，每个分支包括5组卷积块和最大池化层，每组卷积块后加入BN和Relu操作；

所述分类模块：与判别模块分支的结构一致，对输入数据进行正确分类，最后一层的输出结果代表分类的标签数。

5.根据权利要求4所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：在MT‑GAN网络扩充数据集时，对生成器与判别器进行交替训练；判别器用于判别生成器生成的超声图像的真实度，以及与合成的掩码图像是否匹配，优化判别器时采用的损失函数包括：对于输入数据组合为超声图像、掩码图像和标签信息时，DISC的损失函数为：第一项强制判别器在输入为真实数据时，输出为1；第二项区分不匹配的类别签信息；

第三项将伪图片和伪掩码图片与真实的图片与掩码图片区分开；

对于输入数据组合为超声图像和掩码图像时，DIS的损失函数为：对于输入数据组合为超声图像时，DI的损失函数为：

判别器判别模块最小化目标函数为：

构造分类模块来提高MTGan网络的能力，其目标函数定义为：优化生成器时采用的损失函数为：

添加L1损失确保合成图像不会与真实图像显著偏离， 符号表示按元素相乘。

6.根据权利要求1所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：MAU‑Net网络以Unet网络的编解码结构为基础，编码采用多尺度注意力残差模块MAblock与最大池化下采样层组成，解码采用双线性插值上采样与多尺度注意力残差模块MAblock组成；

所述多尺度注意力残差模块MAblock包括多尺度乳腺肿块特征提取模块和改进坐标注意力机制模块；

所述多尺度乳腺肿块特征提取模块将输入的特征信息沿通道数均分为n组，添加多个并行的分支，使用不同空洞率的膨胀卷积作为多尺度特征提取模块的卷积操作；在空洞卷积后跟随RELU激活函数和BN以增强网络的非线性表征能力；

所述改进坐标注意力机制模块，添加全局特征感知模块及残差连接，通过依赖上下文信息来帮助网络识别肿块信息：σ表示BN和relu操作；

最终，多尺度注意力残差模块MAblock的输出为Fout：其中Fn‑1表示模块的输入，Fn为多尺度乳腺肿块特征提取模块最终的输出。

7.根据权利要求6所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：所述多尺度乳腺肿块特征提取模块将输入的特征信息沿通道数均分为4组，用xi(i＝1,2,

3,4)表示，各组的特征通道数量均为瓶颈卷积输出通道数的1/4；空洞卷积的膨胀率分别取ri(j＝1,2,4)，以yi(i＝1,2,3,4)表示xi对应的输出，则yi表示为：W1＝σ(conv([y2,y3]))

W2＝σ(conv([W1,y4]))

Wout＝σ(conv([W0,W1,W2]))

W0是来自y1的特征图，σ表示BN和relu操作，则多尺度乳腺肿块特征提取模块最终的输出为Fn：Fn＝Fn‑1+Wout

其中，Fn‑1表示模块的输入。

8.根据权利要求1所述的基于改进U‑net网络的乳腺医学图像分割方法，其特征在于：步骤S3中所述在MAU‑Net网络的基础上引入W‑GAN网络，构建混合损失函数，对乳腺进行分割，具体包括：使用MAU‑Net网络作为生成网络对输入图像进行分割，输出预分割图像；

原始图像分别与预分割图像和分割标签图像成对送入判别器中进行判别，随后将判别器的输出反馈给分割网络指导分割网络数据的生成，使生成的样本逐渐接近分割标签图像；为优化判别器，定义损失函数为：最后一项为梯度惩罚项，x表示真实图像伪图像之间的随机采样样本；提出混合损失函数，其包括三个部分：其中，dS和dS'分别表示为标签图片和预分割图片的距离变换；

分割网络的损失函数为：LG＝Lg+Ldice+LHD。