1.一种基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，包括：

对带有肝脏和肝脏肿瘤标签的CT扫描图像进行预处理；包括调整灰度到预设范围、下采样图像到预设尺寸、截取感兴趣的图像区域及对截取到的图像区域进行形变以扩充训练数据量；

构建包括数据输入、公用特征提取、任务相关特征提取、任务输出四部分的多任务深度卷积网络；

对所述多任务深度卷积网络进行有监督的训练，构建由肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数共同构成的监督层；

将肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数构成的总损失函数作为误差，利用神经网络反向传导优化算法，通过不断的输入-输出-误差-反向传导误差的网络优化过程，训练所述多任务深度卷积网络；

使用训练好的多任务深度卷积分割网络对测试数据进行肝脏和肝脏肿瘤分割，得到肝脏和肝脏肿瘤分割结果；根据图像原大小和截取区域信息恢复分割结果。

2.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述多任务深度卷积网络以整张图像或图像中的部分截取区域为输入，输出整张图像的肝脏分割和肝脏肿瘤分割结果；所述多任务深度卷积网络为三维网络或二维网络。

3.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述公用特征提取和任务特征相关提取包括卷积层、池化层和反卷积层。

4.根据权利要求1所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，所述肝脏分割任务和肝脏肿瘤分割任务关联损失函数Linter定义为：其中，上指标l和t分别表示肝脏和肝脏肿瘤，N为输入图像中像素点总数， 为肝脏分割结果中i点属于肝脏的概率， 为肝脏肿瘤分割结果中i点属于肿瘤的概率。

5.根据权利要求4所述的基于多任务深度卷积网络的肝脏及其肿瘤分割方法，其特征在于，监督层中用于刻画预测结果和标准分割结果的误差的总损失函数为：Ltotal＝α1×Lliver+α2×Ltumor+Linter

其中，Ltotal为任务的总损失函数，Lliver为肝脏分割任务相关的损失函数，Ltumor为肝脏肿瘤分割任务相关的损失函数，Linter为任务之间的关联损失，α1,α2为非负的权重因子。

6.一种基于多任务深度卷积网络的肝脏及其肿瘤分割系统，其特征在于，包括：

数据预处理模块，用于对带有肝脏和肝脏肿瘤标签的CT扫描图像进行预处理；包括调整灰度到预设范围、下采样图像到预设尺寸、截取感兴趣的图像区域及对截取到的图像区域进行形变以扩充训练数据量；

多任务深度卷积网络构建模块，用于构建包括数据输入模块、公用特征提取模块、任务相关特征提取模块、任务输出模块的多任务深度卷积网络；

监督模块构建模块，用于对所述多任务深度卷积网络进行有监督的训练，构建由肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数共同构成的监督层；

网络训练模块，用于将肝脏分割任务相关的损失函数、肝脏肿瘤分割任务相关的损失函数、肝脏分割任务和肝脏肿瘤分割任务关联损失函数构成的总损失函数作为误差，利用神经网络反向传导优化算法，通过不断的输入-输出-误差-反向传导误差的网络优化过程，训练所述多任务深度卷积网络；

分割结果生成模块，用于使用训练好的多任务深度卷积分割网络对测试数据进行肝脏和肝脏肿瘤分割，得到肝脏和肝脏肿瘤分割结果；根据图像原大小和截取区域信息恢复分割结果。

7.根据权利要求6所述的基于多任务深度卷积网络的肝脏及其肿瘤分割系统，其特征在于，所述数据输入模块用于接收整张图像或图像中的部分截取区域，所述任务输出模块用于输出整张图像的肝脏分割和肝脏肿瘤分割结果。

8.根据权利要求6所述的基于多任务深度卷积网络的肝脏及其肿瘤分割系统，其特征在于，所述公用特征提取模块和任务特征相关提取模块包括卷积层、池化层、反卷积层。

9.根据权利要求6所述的基于多任务深度卷积网络的肝脏及其肿瘤分割系统，其特征在于，所述肝脏分割任务和肝脏肿瘤分割任务关联损失函数Linter定义为：其中，上指标l和t分别表示肝脏和肝脏肿瘤，N为输入图像中像素点总数， 为肝脏分割结果中i点属于肝脏的概率， 为肝脏肿瘤分割结果中i点属于肿瘤的概率。

10.根据权利要求9所述的基于多任务深度卷积网络的肝脏及其肿瘤分割系统，其特征在于，监督层中用于刻画预测结果和标准分割结果的误差的总损失函数为：Ltotal＝α1×Lliver+α2×Ltumor+Linter

其中，Ltotal为任务的总损失函数，Lliver为肝脏分割任务相关的损失函数，Ltumor为肝脏肿瘤分割任务相关的损失函数，Linter为任务之间的关联损失，α1,α2为非负的权重因子。