1.一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，包括以下步骤：

构建多尺度空洞卷积神经网络模型；获取多模态MRI脑肿瘤图像，通过所述多尺度空洞卷积神经网络模型提取所述多模态MRI脑肿瘤图像的三维特征图；

对所述三维特征图进行上采样，使提取的所述三维特征图还原到原始的尺寸；

对原始尺寸的三维特征图进行信息融合得到脑肿瘤分割结果；所述多尺度空洞卷积神经网络模块包括普通卷积层、空洞卷积层、上采样层、复制连接层、池化层、Dropout层、输入层和输出层；

通过所述多尺度空洞卷积神经网络模型提取所述多模态MRI脑肿瘤图像的三维特征图的具体方式为：通过3D普通卷积层提取脑肿瘤的三维特征图，其卷积核大小为3*3*3，步长为2*2，激活函数为Relu函数，卷积之后的三维特征图的大小不变；

通过所述空洞卷积层的不同扩张率的空洞卷积增大所述三维特征图的多尺度感受野的具体方式为:使用了3个3D空洞卷积层，每个3D空洞卷积层中包含三个扩张率不同的空洞卷积，其卷积核大小为均为3*3*3，扩张率分别为1，2和5，padding分别设置为1，2和5。

2.如权利要求1所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，在得到所述脑肿瘤分割结果后，对所述脑肿瘤分割结果进行后处理，得到三维可视化的脑肿瘤图像。

3.如权利要求1所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，在对所述三维特征图进行上采样过程中，还通过所述空洞卷积层的不同扩张率的空洞卷积增大所述三维特征图的多尺度感受野。

4.如权利要求1所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，对所述三维特征图进行上采样的具体方式为使用双线性插值和空洞卷积层的多尺度空洞卷积方法进行上采样操作。

5.如权利要求1所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，所述多尺度三维空洞卷积神经网络模型的损失函数为：其中，表示图像的分割预测值，表示图像的分割正确值，表示正则项，其中值越小，表示分割结果越准确。

6.如权利要求2所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法，其特征是，对所述脑肿瘤分割结果进行后处理包括以下步骤：对于所述脑肿瘤分割结果，建立面绘制所需要的基本三维体数据，选定作为表面显示的等值面的灰度阈值；

紧邻上下两层数据对应的四个像素点构成一个立方体，或对应成一个体素，体素的共8个顶点按照前面得到的等值面阈值进行分类，超过或等于阈值，则顶点算作等值面的内部点，小于阈值的顶点算作等值面的外部点；

生成一个代表顶点内外部状态的二进制编码索引表，移动至下一个立方体，用此索引表查询一个长度为256的构型査找表，得到轮廓与立方体空间关系的具体拓扑状态，根据构型通过线性插值确定等值面与立方体相交的三角十顶点坐标，得到轮廓的具体位置，并绘制出三维可视化的脑肿瘤图像。

7.一种基于多尺度空洞卷积神经网络的脑肿瘤分割系统，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，其特征是，实现如权利要求1‑6任一所述的一种基于多尺度空洞卷积神经网络的脑肿瘤分割方法。