1.基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，febe-net預(yù)測(cè)模型數(shù)學(xué)表達(dá)式為：
3.根據(jù)權(quán)利要求1所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，特征探索關(guān)注模塊包括有4個(gè)分支，每個(gè)分支分別對(duì)低級(jí)特征x1,x2,x3進(jìn)行不同的卷積運(yùn)算來捕獲局部信息，其中，第一分支采用一個(gè)擴(kuò)展率為1的3×3卷積單元來進(jìn)行特征挖掘，在此基礎(chǔ)上，第二分支再添加一個(gè)擴(kuò)展率為3的3×3卷積單元來進(jìn)行后續(xù)的特征探索，以此類推，第三分支通過3個(gè)擴(kuò)展率分別為1，3，5的的3×3卷積單元來補(bǔ)充和探索特征；再將前三個(gè)分支的輸出在通道維度上進(jìn)行串聯(lián)操作，使用一個(gè)1×1卷積來降低通道數(shù)，第四個(gè)分支采用自校準(zhǔn)卷積來捕獲更豐富的細(xì)節(jié)特征，再進(jìn)行串聯(lián)操作，利用線性高效通道關(guān)注模塊來過濾噪聲，最后，使用一個(gè)3×3卷積單元來對(duì)特征進(jìn)一步去噪并恢復(fù)到原始通道數(shù)。
4.根據(jù)權(quán)利要求3所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，特征探索關(guān)注模塊數(shù)學(xué)表達(dá)式為：
5.根據(jù)權(quán)利要求1所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，高效自注意校準(zhǔn)解碼模塊利用卷積層將高級(jí)特征嵌入到重疊的補(bǔ)丁中，通過結(jié)合每個(gè)塊和上下左右相鄰的塊信息，對(duì)局部連續(xù)性信息進(jìn)行建模；
6.根據(jù)權(quán)利要求1所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，邊界增強(qiáng)細(xì)化模塊包括：
7.根據(jù)權(quán)利要求6所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，對(duì)邊界增強(qiáng)特征圖和邊界增強(qiáng)特征圖進(jìn)行卷積融合操作利用兩個(gè)1×1卷積單元來降低邊界增強(qiáng)特征圖和邊界增強(qiáng)特征圖的通道數(shù)到32；接著采用雙線性上采樣操作調(diào)整的大小，使其與大小相同；再沿著通道維度將兩者進(jìn)行拼接融合，通過兩個(gè)連續(xù)的3×3卷積單元提取邊界信息并消除無(wú)關(guān)噪聲，最后經(jīng)過一個(gè)核大小為1的卷積層將通道數(shù)降為1，生成膀胱腫瘤邊界預(yù)測(cè)圖
8.根據(jù)權(quán)利要求1所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，對(duì)解碼器端5個(gè)階段輸出的膀胱腫瘤預(yù)測(cè)圖di，i＝1,2,3,4,b進(jìn)行深度監(jiān)督，并對(duì)生成的邊界線索進(jìn)行邊界監(jiān)督；
9.根據(jù)權(quán)利要求6所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，設(shè)計(jì)混合監(jiān)督策略，定義整體損失函數(shù)loverall來優(yōu)化網(wǎng)絡(luò)，包括：
10.基于febe-net的膀胱腫瘤圖像分割系統(tǒng)，應(yīng)用所述權(quán)利要求1-9任一項(xiàng)所述的基于febe-net的膀胱腫瘤圖像分割方法，其特征在于，包括：