1.一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，包括以下步骤：步骤1：对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理；

步骤2：针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心；

步骤3：搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络；

步骤4：针对步骤3中搭建好的全卷积神经网络，使用dice_loss计算预测值y和期望值y'的相似度，其中dice_loss的定义如下：步骤5：结合步骤4中的损失函数，针对图像数量较少的数据集使用留一法进行交叉验证；

步骤6：加载步骤5中得到的预训练网络模型，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道，以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络；最后，加载步骤1中的测试图像数据到该网络中，快速测试完成图像分割。

2.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤1对医学图像数据集进行灰度化、归一化、对比度受限自适应直方图均衡、伽马校正在内的预处理，具体为：首先采用的是对R、G、B分量进行加权平均的算法，其表达式为如下，其中Gray(i,j)表示图像上的像素点，i表示像素点的横坐标，j表示像素点的纵坐标：

Gray(i,j)＝0.299*R(i,j)+0.578*G(i,j)+0.114*B(i,j)然后采用z‑score标准化方法，对上述灰度化后的图像进行标准化并缩放图像数据，表达为：

其中,μ表示的是每一维度像素点自身的均值，σ表示的是每一维度像素点自身的均方差；

接着，对标准化后的图像，在保证能够将直方图分布变成近似均匀分布的前提下，设定一个限制直方图分布的阈值δ以限制性的增强图像对比度，同时，在像素的映射过程中使用双线性插值加快直方图均衡化的速度；然后继续对对比度受限自适应直方图均衡(CLAHE)后的图像Vin的伽玛曲线进行非线性色调编辑，识别图像信号中的前景和背景部分，并增大两者的比例；最后把图片上的像素点值归一化映射到0‑1之间。

3.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤2针对训练集随机提取patch图，首先设定patch图的宽和高，然后随机地选取像素点作为patch的中心，具体为：针对训练集，首先设定patch图的宽、高大小分别为patch_w和patch_h，然后随机地选取像素点作为patch的中心，该像素点的坐标需满足如下条件：其中，x为横坐标，y为纵坐标，img_w是原图的宽度大小，img_h是原图的高度大小；最后，以该像素点为中心，从原图中截取宽度为patch_w，高度为patch_h的训练图patch，针对测试集，同样先设定patch_w和patch_h，然后判断原图的大小是否和设定的patch图的大小成比例关系，如果没有，则对原图进行像素填充；最后，以输入原图的左上角为起点，按照“从上到下从左到右”原则循环提取patch图。

4.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤3搭建由左侧收缩路径和右侧扩张路径组成的全卷积神经网络架构，具体为：

收缩路径遵循典型的卷积网络模式，每个阶段均由两个3×3卷积模块进行特征提取，步长为2的下采样操作跟在卷积之后，在每次下采样之后，特征图尺寸的大小减少一倍，特征通道的数量增加一倍；在扩展路径中，在卷积模块后使用双线性插值上采样操作，其步长也为2，在每次上采样之后跳跃连接收缩路径每阶段的输出；在最后一层，使用1x1卷积代替全连接层将每个64分量特征向量映射到所需的类数。

5.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤4针对步骤3中搭建好的网络，使用dice_loss评估预测值y和期望值y'的相似度，其中dice_loss的定义如下：具体为：其首先计算手工分割图y和预测图y'之间的交集y∩y'，近似为手工分割图和预测图之间的点乘y·y'，|y|+|y'|表示的是逐元素相加。

6.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤5：结合步骤4中的损失函数，针对图像数量较少的数据集使用留一法进行交叉验证；

具体为：在面对数量较小的数据集时，留一法在划分数据集的时候仅留一验证，即数据集S的大小为N，那么划分N‑1条数据为训练集，剩下的一条为验证集，在训练过程中循环遍历数据集N次，直到所有的数据都作过验证集，最后，对验证误差求平均。

7.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，所述步骤6加载步骤5中得到的预训练网络模型，通过通道稀疏正则化训练、裁剪比例因子小于设定阈值的通道以及微调裁剪后的网络完成BN通道模型裁剪，得到轻量级全卷积神经网络，具体为：

首先引进比例因子γ，比例因子通过和通道的输出进行相乘操作使得每个通道获得一个重要权重值w，在训练的过程中需要执行L1正则化操作，具体表达为：其中，L表示目标函数，f(x,W)表示的是预测图，(x,y)表示输入原图和其对应的手工分割图，W表示训练过程中的网络权重，l(·)代表的是训练过程中使用的损失函数，g(·)是稀疏性对比例因子γ的惩罚，参数λ保证网络的平衡性； 其次针对比例因子γ，将批标准化BN层中为保证输入数据的表达能力而引进的可学习参数γ视作网络裁剪的比例因子。

8.根据权利要求1所述的一种基于轻量级全卷积神经网络的医学图像分割方法，其特征在于，批标准化BN层的原理可用公式表达为：其中x为输入图像，μ为输入像素点的均值，σ为输入像素点的方差，γ和β为可训练参数；最后进行网络通道裁剪，遍历每个批标准化BN层对应通道[c1,c2,c3,...cn]上的比例因子γ，根据γ对网络通道进行裁剪，其遵循的原则是，如果γ接近于0，那么可认为该通道对网络的贡献小，将其裁剪对网络训练效果影响不大，得到轻量级全卷积神经网络，输入待测试图像数据到该轻量级网络完成图像分割。