1.基于多任务的医学图像分割方法，其特征在于，具体按照以下步骤实施：步骤1，将transformer集成到YOLOv5中，构建transYL网络；

步骤2，采用步骤1构建的transYL网络进行阴影区域检测和边界检测的多任务分割；

步骤3，搭建Mean Teacher网络transYLmtMT，其中Student网络和Teacher网络都是步骤1中搭建好的transYL网络；

步骤4，训练步骤1构建的transYL网络，保存最终训练好的模型参数；

步骤5，对训练好的Student网络进行测试，记录相应的测试指标的值；

步骤6，根据测试结果适当调整超参数，重新进行步骤4-5，直到得到满意的测试结果，然后使用测试好的transYLmtMT网络进行医学图像分割。

2.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤1构建的transYL网络的结构具体为：将Swin-Transformer模块引入YOLOv5的主干层，具体为在主干层7和层9引入两个CSP结构，其中CSP1-X应用于主干，CSP2-X应用于Neck，每个CSP模块之前的3×3个卷积用作下采样函数；主干从输入图像中提取特征，通过SPPF模块实现局部特征和全局特征的特征图融合，然后在Neck中对特征进行融合，获得更深层的特征信息，最后在Head中进行预测，从而生成最终的阴影区域的预测图。

3.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤2中阴影区域检测的具体步骤为：首先，使用transYL网络生成不同尺度的特征图EFDF

式(1)中，Conv(Concat(EF

其次，上采样EF

RF

式(2)中，up表示对特征图进行上采样；

最后，按元素生成集成图S

式(3)中，预测Pred(·)是通过将三个3×3卷积层、一个1×1卷积层和另一层S形激活37应用于特征来实现的。

4.根据权利要求1所述的基于多任务的医学图像分割方法，其特征在于，步骤4中，采用Mean Teacher框架来训练模型，transYL网络同时用于学生网络和教师网络；在训练过程中，将标记好的数据输入学生网络，融合两个任务损失计算出多任务监督损失；对于未标记的数据，从输入的图像产生一个辅助的阴影映射，并分别输入到学生网络和教师网络，利用两组预测阴影信息计算多任务一致性损失。

5.根据权利要求4所述的基于多任务的医学图像分割方法，其特征在于，标记数据的全监督损失按照式(4)计算：式(4)中，L为损失函数Loss，x是指标记的数据，G非标记数据的一致性损失按照式(5)计算：

式(5)中，L为损失函数Loss，y是指没有标记的数据，S

6.根据权利要求5所述的基于多任务的医学图像分割方法，其特征在于，整个网络的损失函数的计算公式如公式(6)所示：式(6)中，N和M分别表示训练集中的带标记图像的数量、不带标记的图像的数量，L