1.一种联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于，包括以下步骤：

步骤1：获取图像数据，并进行预处理；

针对以序列为单位的切片组数据，首先去除每一个序列中不含肿瘤的切片，再通过旋转、裁剪、翻转操作对数据集进行扩增，获得扩增数据集；其中，每一个序列代表一位患者；

步骤2：断层分类预测；

将预处理后的扩增数据集送入分类预测网络，对完整的脑部肿瘤数据按照肿瘤的有无进行分类预测；

步骤3：构建MRI脑肿瘤图像分割网络；

所述网络包括10组网络：前4组为编码部分，由4个卷积模块和池化组成，其中，卷积模块均为(Conv2d+BN+ReLU)×2，前三次池化为最大池化Max Pooling，第四次池化为Strip Pooling；设Ci、Hi、Wi依次为经过第i个卷积后的通道数，高和宽，则第i个卷积block后的特征图像尺寸为 其中Ci+1＝2Ci， 第五组为DPC结构，使用3个DPC模块，并且每一个DPC的输入与输出通道相同；6，7，8，9组为解码结构，通过转置卷积实现网络的上采样， 为经过转置卷积后的通道数，恢复目标图像分辨率；

并同时利用跳跃连接，级联编码结构相应层的特征图信息与解码中的特征图，级联后的特征图尺寸为 其中，Hi＝H10‑i，Wi＝W10‑i；最后第10组通过1×1卷积，得到与输入图像尺寸一致的分割图像；

步骤4：训练MRI脑肿瘤图像分割网络；

将预处理后的图像数据分为训练集和测试集，将训练集送入MRI脑肿瘤图像分割网络进行训练，获得训练后的MRI脑肿瘤图像分割网络；通过测试集测试训练后的MRI脑肿瘤图像分割网络，若满足预设要求，则停止训练，获得训练好的MRI脑肿瘤图像分割网络，否则修改数据预处理参数以及提出的网络模型之中的参数，继续执行训练过程使得达到预设要求；

步骤5：输出结果；

将需要检测的MRI肿瘤切片输入到分类预测网络中进行有无肿瘤的预测，继而将有肿瘤的序列切片输入给练好的MRI脑肿瘤图像分割网络，完成肿瘤的分割，获取分割结果。

2.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤2中，采用的ResNet34分类预测网络，并使用在ImageNet上进行预训练的参数进行实验；将原始数据集分为训练集和测试集，其中测试集为随机划分的若干个脑部肿瘤序列；实验训练时，将输入图像尺寸调整为256×256，并使用水平翻转和正则化，以达到更好的分类效果。

3.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤3中，在第五组DPC结构使用PyConv，同时获取不同感受野下的特征图，提取多尺度的肿瘤特征信息，

在PyConv中，FMi为输入特征图，卷积核大小依次为 则卷积核中内核深度依次为式(1)：

故输出特征为公式(2)：

FMo＝FMo1+FMo2+FMo3+···+FMon          (2)其中，FMoi为各个塔层的输出，FMo为通道级联后的总输出，FMi为第i个PyConv的输入特征图，n表示第n个卷积核大小。

4.根据权利要求1所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：步骤3中，采取在常规方形池化方式中增加条状池化来进行下采样；

设输入张量为 输出张量为 中间张量为 则池化如式(3)所示：

其中，y由式(4)求得：

其中，C表示通道数，H×W为输入的二维张量大小，xc,i,j为C通道上的输入张量，分别为在C通道上水平和垂直方向的特征值平均；f()为1×1卷积，σ为Sigmoid激活函数， 表示逐元素相乘。

5.根据权利要求1‑4任意一项所述的联合分类预测和多尺度特征提取的MRI脑肿瘤图像分割方法，其特征在于：为了进一步验证方法的有效性，将110个序列数据集随机不重复划分成11组，每组10个序列；其中取10组作为训练序列，取1组作为测试序列；并且保证每个序列都被测试的情况下，再次通过分类和分割的方式对MRI脑肿瘤图像分割网络进行验证。