1.基于Guide‑MultiScale‑Net端到端的三维乳腺超声图像肿瘤分割方法，其特征在于，包括以下步骤：

步骤一、获取乳腺超声图像的数据集，并进行数据预处理；

步骤二、使用pytorch深度学习框架，模型构建；

步骤三、定义损失函数；

步骤四、对模型进行训练，直至收敛；

步骤五、对训练好的模型进行乳腺肿瘤病灶分割，得到最终分割结果。

2.根据权利要求1所述的基于Guide‑MultiScale‑Net端到端的三维乳腺超声图像肿瘤分割方法，在步骤一中采用的数据预处理方法有随机中心裁剪、随机平移、随机缩放、归一化操作。

3.根据权利要求1中所述的基于Guide‑MultiScale‑Net端到端的三维乳腺超声图像肿瘤分割方法，其特征在于步骤二模型的构建，遵循编码器解码器，并做出以下改动：

1)将残差思想引入到编码器中，提高模型特征提取能力，以及模型的收敛速度；

2)提出指导模块，在特征融合过程中，利用高阶语义特征来指导低阶特征，来抑制低阶特征中的噪声，避免由于噪声而引起分割不准确；

3)提出多尺度融合模块，由于乳腺超声图像肿瘤大小各不一，UNet网络很难捕捉到多尺度特征，因此提出多尺度模块来捕捉模型中的多尺度信息；

4)引入深监督技术，在模型的中间层上加入约束，防止模型过拟合，也能使得模型中间层学到具有区分能力的特征，加速模型收敛。

4.根据权利要求1中所述的基于Guide‑MultiScale‑Net端到端的三维乳腺超声图像肿瘤分割方法，其特征在于步骤三的损失函数的确定，模型最顶层输出对应的损失函数定义为:

该loss由两种loss组成，前者是weightCrossLoss，后者是DiceLoss,其中α∈[0,1]表示平衡因子，控制两种loss的比例，本发明中取0.5。β∈[0,1]表示控制假阴性和假阳性的权重，本发明中取0.5，大于0.5偏向惩罚假阳性，小于0.5偏向惩罚假阴性。N表示像素的个数，t∈{0,1}表示真实分割结果，p∈[0,1]表示模型预测处理的结果，其中K表示分割的种类，默认值为1，S表示缩放因子，默认值为1e‑5。

解码器中第i∈{1,2,3,4}层输出对应的损失函数定义为:其中N表示像素的总数，β∈[0,1]表示控制假阴性和假阳性错误比例，本发明中取0.5，如果大于0.5偏向惩罚假阳性，否则偏向惩罚假阴性，本发明中取0.5，t∈{0,1}表示真实标签，p∈[0,1]表示模型预测的概率值。

总损失定义为:

模型的总的损失函数由两步分组成,第一部分是由顶层的损失组成，并且由四个中间层输出对应的损失函数相加构成。