1.一种基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，包括：构建U型结构编码器/解码器网络；所述U型结构编码器/解码器网络包括收缩路径和扩展路径；

在所述U型结构编码器/解码器网络的下采样和上采样的卷积层中均添加残差块，形成跳跃连接结构；

将权重注意力机制模块添加至所述U型结构编码器/解码器网络的下采样中，与所述跳跃连接结构结合，形成卷积神经网络模型；

采用数据训练集对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

将待分割的肝脏图像输入所述训练好的卷积神经网络模型，得到肝脏分割结果图和肿瘤分割结果图。

2.根据权利要求1所述的基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，所述残差块的公式为：xl+1＝xl+F(xl+Wl)

其中，xl+1为第l+1层卷积层的卷积结果，xl为第l层卷积层的卷积结果，Wl为第l层卷积层的权重，F(xl+Wl)为残差部分。

3.根据权利要求1所述的基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，所述将权重注意力机制模块添加至所述U型结构编码器/解码器网络的下采样中，与所述跳跃连接结构结合，形成卷积神经网络模型，具体包括：确定所述权重注意力机制模块的Squeeze单元；所述Squeeze单元用于采用全局平均池化方法将同一个通道上卷积层输出的特征图编码为全局特征，得到所述通道的全局特征；

确定所述权重注意力机制模块的Excitation单元，所述Excitation单元用于生成每个通道的权重；

确定所述权重注意力机制模块的Scale单元，所述Scale单元用于将所述通道的权重添加至所述U型结构编码器/解码器网络中对应的网络层，形成卷积神经网络模型。

4.根据权利要求1所述的基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，所述卷积神经网络模型下采样的最后一层池化层包括两组并联的卷积层，所述两组并联的卷积层对应的卷积核不同；所述两组并联的卷积层的输出经过特征融合后输入所述卷积神经网络模型上采样。

5.根据权利要求1所述的基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，所述将待分割的肝脏图像输入所述训练好的卷积神经网络模型，得到肝脏分割结果图和肿瘤分割结果图，具体包括：对所述待分割的肝脏图像进行预处理，得到预处理图像；

将所述预处理图像输入训练好的卷积神经网络模型中；

采用所述卷积神经网络模型依次进行卷积运算、上采样和下采样操作，利用sigmoid激活函数对每个像素进行预测，得到所述肝脏分割结果图和所述肿瘤分割结果图。

6.根据权利要求1所述的基于卷积神经网络的肝脏肿瘤分割方法，其特征在于，所述将待分割的肝脏图像输入所述训练好的卷积神经网络模型，得到肝脏分割结果图和肿瘤分割结果图，之后还包括：对所述肿瘤分割结果图与所述肝脏分割结果图的相同位置进行像素比较；

将同一位置处，所述肿瘤分割结果图中与所述肝脏分割结果图像素不一致的像素置零，得到后处理后的肿瘤分割结果图。

7.一种基于卷积神经网络的肝脏肿瘤分割系统，其特征在于，包括：U型结构编码器/解码器网络构建模块，用于构建U型结构编码器/解码器网络；所述U型结构编码器/解码器网络包括收缩路径和扩展路径；

残差块添加模块，用于在所述U型结构编码器/解码器网络的下采样和上采样的卷积层中均添加残差块，形成跳跃连接结构；

卷积神经网络模型生成模块，用于将权重注意力机制模块添加至所述U型结构编码器/解码器网络的下采样中，与所述跳跃连接结构结合，形成卷积神经网络模型；

网络训练模块，用于采用数据训练集对所述卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；

肝脏肿瘤分割模块，用于将待分割的肝脏图像输入所述训练好的卷积神经网络模型，得到肝脏分割结果图和肿瘤分割结果图。

8.根据权利要求7所述的基于卷积神经网络的肝脏肿瘤分割系统，其特征在于，所述卷积神经网络模型生成模块，具体包括：Squeeze单元确定子模块，用于确定所述权重注意力机制模块的Squeeze单元；所述Squeeze单元用于采用全局平均池化方法将同一个通道上卷积层输出的特征图编码为全局特征，得到所述通道的全局特征；

Excitation单元确定子模块，用于确定所述权重注意力机制模块的Excitation单元，所述Excitation单元用于生成每个通道的权重；

Scale单元确定子模块，用于确定所述权重注意力机制模块的Scale单元，所述Scale单元用于将所述通道的权重添加至所述U型结构编码器/解码器网络中对应的网络层，形成卷积神经网络模型。

9.根据权利要求7所述的基于卷积神经网络的肝脏肿瘤分割系统，其特征在于，所述肝脏肿瘤分割模块，具体包括：预处理子模块，用于对所述待分割的肝脏图像进行预处理，得到预处理图像；

输入子模块，用于将所述预处理图像输入训练好的卷积神经网络模型中；

预测子模块，用于采用所述卷积神经网络模型依次进行卷积运算、上采样和下采样操作，利用sigmoid激活函数对每个像素进行预测，得到所述肝脏分割结果图和所述肿瘤分割结果图。

10.根据权利要求7所述的基于卷积神经网络的肝脏肿瘤分割系统，其特征在于，还包括：像素比较模块，用于将待分割的肝脏图像输入所述训练好的卷积神经网络模型，得到肝脏分割结果图和肿瘤分割结果图之后，对所述肿瘤分割结果图与所述肝脏分割结果图的相同位置进行像素比较；

肿瘤分割结果图后处理模块，用于将同一位置处，所述肿瘤分割结果图中与所述肝脏分割结果图像素不一致的像素置零，得到后处理后的肿瘤分割结果图。