1.一种基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，包括：采集模块、构建模块和输出模块；

所述采集模块，用于采集肿瘤病变的MR脑图像；

所述构建模块，用于构建脑肿瘤分割模型；其中，所述脑肿瘤分割模型包括：3D U‑Net网络结构、局部‑全局尺度混合器、多层上下文聚合器和多尺度注意可变形卷积模块；

所述输出模块，用于将所述MR脑图像输入所述脑肿瘤分割模型，获取脑肿瘤分割结果。

2.根据权利要求1所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，所述输出模块包括：建模单元、第一采集单元、聚合单元、第二采集单元和输出单元；

所述建模单元，用于基于所述3D U‑Net网络结构，对所述MR脑图像进行特征建模；

所述第一采集单元，基于所述局部‑全局尺度混合器，对3D U‑Net网络的深层阶段从局部、全局多感受野尺度下捕获丰富的多尺度信息；

所述聚合单元，基于所述多层上下文聚合器，对编解码器的瓶颈处进行聚合编码器多层级的尺度特征；

所述第二采集单元，基于所述多尺度注意可变形卷积模块，对编解码器的跳跃连接，通过对多尺度的编码特征进行形变建模以捕获形变感知特征；

所述输出单元，用于输出所述脑肿瘤分割结果。

3.根据权利要求1所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，所述建模单元中，对所述MR脑图像进行特征建模包括：将所述3D U‑Net结构作为所述脑肿瘤分割模型的基础网络结构，对输入图像编码提取特征，获取各层特征F1，F2，F3，F4，然后通过跳跃连接与对应解码器进行特征拼接用于恢复下采样丢失的细节信息，解码器通过渐进式上采样和卷积操作逐步恢复特征映射图到原始输入图像的大小，从而实现端到端的脑肿瘤图像分割；

在所述提取单元中，还采用预激活残差单元作为基础特征提取块，以及采用深度可分离卷积替代常规卷积操作。

4.根据权利要求1所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，所述第一采集单元中，对3D U‑Net网络的深层阶段从局部、全局多感受野尺度下捕获丰富的多尺度信息包括：输入的所述特征信息首先经过第一预设卷积单元对图像进行局部建模，获取局部特征；

并行地对输入的所述特征信息使用Transformer编码器建模长距离依赖，捕获图像的全局上下文信息，获取全局特征；

将所述局部特征和所述全局特征行特征融合，获取多感受野的所述混合特征。

5.根据权利要求2所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，所述聚合单元中，对编解码器的瓶颈处进行聚合编码器多层级的尺度特征包括：以3D U‑Net编码器多阶段的局部特征作为多尺度输入，通过不同步长的跨步卷积操作将它们下采样到同一分辨率大小，然后沿通道方向进行特征堆叠，再对拼接好的特征进行通道自适应，即使用通道注意力为每个通道分配不同的权重，从而得到融合后的层间多尺度特征；其中，3D U‑Net编码器多阶段的局部特征包括：x1，x2，x3，x4；

分别对所述层间多尺度特征进行局部建模和全局建模，获取局部性约束权重和包含全局依赖关系的特征；

将所述局部性约束权重和包含全局依赖关系的特征进行矩阵乘法操作，获取聚合多尺度上下文信息后的输出特征。

6.根据权利要求5所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，分别对所述层间多尺度特征进行局部建模和全局建模包括：将所述层间多尺度特征经过第二预设卷积块，得到局部特征映射，然后通过空间注意SA生成所述局部性约束权重；

将所述层间多尺度特征馈入到体积轴向移位MLP块中进行全局上下文信息的捕获，得到所述包含全局依赖关系的特征。

7.根据权利要求2所述的基于尺度融合引导的多上下文脑肿瘤分割系统，其特征在于，所述第二采集单元中，对多尺度的编码特征进行形变建模以捕获形变感知特征包括：以编码器前三层的输出特征作为多尺度输入，以第二层特征尺度为基准，将第1层特征x1进行2倍下采样，第3层特征x3进行两倍上采样，使得三层特征分辨率大小相同以便于进行特征堆叠和通道权重自适应，此过程后将得到融合的多尺度特征Ffuse；其中，编码器前三层的输出特征包括：x1，x2，x3；

将多尺度特征Ffuse馈入注意可变形卷积进行体积形变偏移量的学习，获取多尺度形变特征；其中偏移量的学习主要由一层卷积和一个引导显著位置采样的空间注意力模块组成，学习到的体积空间偏移量被施加在原始的3D卷积上，通过不同偏移量的作用实现具备形状感知的局部建模，从而适应不同的肿瘤形变；

将得到的所述多尺度形变特征分别经过上下采样恢复到所在层的分辨率大小，然后跳跃连接到解码器端，以进行特征恢复，从而实现对分割目标形变的感知。