1.一种残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，包括如下步骤：S1：提出直肠肿瘤MR图像的自动分割任务，包括如下小步：S11：建立AttSEResUNet网络结构：以UNet网络作为基本框架，通过残差卷积进行特征提取，并引入通道注意力挤压‑激励模块和空间注意力门控模块将在不同级别提取的特征与和任务相关的特征进行选择合并，同时加深网络层数进行5次下采样：AttSEResUNet网络结构由编码器和解码器两部分组成，磁共振图像输入大小为256*

256*3，即尺寸大小为256*256，通道数为3；每个残差卷积中包含2个3*3的卷积块和映射部分，其中每个卷积块由卷积层，批量归一化层和ReLU激活函数构成，1*1卷积之后的映射与经过两次卷积运算的结果进行相加形成短连接；在编码器部分利用步长为2的2*2卷积核进行下采样，特征图的通道数增加了一倍，而特征图的大小减少了一半；经过5次下采样之后的残差块作为连接编码器和解码器的桥梁；

编码器的输出通过SE模块来学习通道之间的相关性，筛选出针对通道的注意力；相应地，在解码器部分，通过AG单元将低层特征图与相应SE模块的输出结合起来，获得更相关的小尺度肿瘤位置信息，同时，AG单元的输出与经过上采样的低级别特征图进行拼接；经过每个上采样之后，特征图的通道数都会减少一半，大小增加一倍；最后，利用1*1的卷积和sigmoid激活函数得到分割图；

S12：引入通道注意力挤压‑激励模块：通过全局平均池化来生成各通道的统计量，将全局空间信息压缩到一个通道描述符中；通过两个全连接层建模通道间的相关性，并输出和输入特征同样数目的权重；

S13：引入空间注意力门控模块：抑制与分割任务不相关的信息以及噪声的激活响应，同时增强与分割任务相关的目标区域的学习；

S14：引入BCE_DICE损失函数：将二分类交叉熵损失函数、DICE损失函数两者结合作为模型最终的损失函数，其中：

二分类交叉熵损失函数的定义为：

DICE损失函数的定义为：

则，组合的BCE_DICE损失函数为：LBCE_DICE＝LBCE+LDICE                     (3)式中：yi为标注的真实掩膜图中像素点i的值，取值为0或1；

为算法得到的分割图中像素点i的值，取值范围为0～1；

N是分割图和标注掩模图中的像素点总个数；

ε是平滑因子，用于避免损失函数中分母为0，值取1；

S15：预测结果的后结果处理：将模型的预测结果进行二值化得到最终的肿瘤分割图，但是会有边缘噪声点或病灶区域不连续的情况产生，而根据直肠肿瘤的病灶特点，其在MR图像中的位置固定且连续，为此通过8连通域来找出分割图中的所有连通域，然后计算各连通域的面积大小，最后只保留面积最大的连通域，删除其他连通域；

S2：建立直肠肿瘤数据集进行模型评估，包括如下小步：S21：归一化和对比度受限的自适应直方图均衡化的预处理：归一化是在保留图像中具有诊断价值的图像信息，减小或者消除图像中其他信息不一致而进行的图像转换方法，其公式为：式中：I为原始图像，Inorm为归一化后的图像，Imin为I的最小强度值，Imax为I的最大强度值；

对比度受限的自适应直方图均衡化是自适应直方图均衡化和直方图均衡化方法的改进，通过该方法显著降低图像噪声，并防止执行传统直方图均衡化时发生的亮度饱和；

S22：评估指标的选用：评估指标包括准确率和DICE相似系数，其中：准确率的定义为：

DICE相似系数DSC的定义为：式中：TP表示被正确分割成直肠肿瘤区域的像素数量；

TN表示被正确分割成背景区域的像素数量；

FP表示将背景区域预测成肿瘤区域的像素数量；

FN表示将肿瘤区域预测成背景区域的像素数量；

DSC表征算法的分割结果与肿瘤掩膜的重叠程度，取值为[0,1]，取值越大表示两者的重叠程度越大，分割效果越好；

S23：评估有效性的验证：将AttSEResUNet网络结构与UNet、UNet*和AttUNet在数据集进行对比验证，AttSEResUNet网络结构均取得最优的分割性能，预测准确率和DSC指标方面明显高于其他模型；

其中：UNet*是UNet的优化模型，是在原始UNet的卷积层之后加入BN层处理，同时在池化操作之后增加Dropout层，以防止过拟合现象。

2.根据权利要求1所述的残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，所述步骤S21中，通过训练数据集进行数据扩充，包括如下操作：最大25°范围内的左右随机旋转；按一定概率的左右、上下翻转图像；将一定概率的图像进行缩放；小块变形图像；所有图像尺寸大小归一化为256*256。

3.根据权利要求1所述的残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，所述步骤S23中，为了对比模型深度对分割效果的影响，加入没有加深网络层数之前，即具有4次下采样的AttSEResUNet*模型同时进行实验比较，发现AttSEResUNet模型在上述模型中取得了最优的分割性能。

4.根据权利要求1所述的残差UNet直肠癌肿瘤磁共振图像自动分割方法，其特征在于，所述步骤S23中，AttSEResUNet网络结构使用残差卷积并融合空间和通道注意力机制提取更加有效的图像特征，细化了分割效果；使用组合的损失函数进一步提升分割精度，并在自建的数据集上进行对比实验，验证其有效性。