1.一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，基于动态对比增强磁共振成像(dce-mri)，其具体步骤为，
q1，训练一个全卷积网络fcn模型(fcn-1)，采用3du-net架构来获取输入图像的全局和局部结构信息，以估计感兴趣的区域即乳房掩膜；
q2，以乳房掩膜为引导，训练另外两个fcn模型(fcn-2和fcn-3)，分别估计粗分割结果和细化初始结果，至此可以检测输入图像中的所有肿瘤区域；
q3，为了从所有检测到的肿瘤中识别出活检肿瘤，进一步开发了一种基于标记点的检测模型(fcn-4)，以检测用于活检肿瘤选择和放射基因组学的两个标记点。
2.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，在q1步骤中，全卷积网络fcn模型(fcn-1)对每个输入的对比增强前图像进行学习生成乳房掩膜；用降采样的预对比图像来训练fcn-1，该训练过程使用二进制交叉熵损失函数，图像规格为1.5×1.5×1.5mm3的分辨率。
3.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，在q2步骤中，粗分割具体为：
训练另一个全卷积网络fcn模型(fcn-2)，包含尽可能多的类肿瘤体素来获得高灵敏度乳腺肿瘤的粗分割结果，同样采用3du-net架构来获取输入图像的全局和局部结构信息，存在一条收缩路径和一条扩展路径，收缩路径的每个步骤由3×3×3卷积，批处理归一化、校正线性单元(relu)和2×2×2最大池化操作，扩展路径的每个步骤都包括一个3×3×3向上卷积，然后是与收缩路径中的相应特征映射的级联过程，以及一个3×3×3卷积；
fcn-2中设有激活函数，在最后一层的激活函数是一个sigmoid函数，因此输出被归一化为[0，1]，即fcn-2的输出是每个体素属于肿瘤区域或背景的概率。
4.根据权利要求3所述的一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，激活函数为类骰子灵敏度(dice-sensitivity-like)损失函数，其形式定义为：
其中，
xn,v表示第n个输入数据xn的第v(v＝1，...，v)体素；
xn的金标准分割概率图为sn，第v个元素表示为sn,v；
f(xn,v,w2)是通过使用fcn-2的网络系数w2对xn,v的概率估计；
n是训练图像的数量。
5.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，在q2步骤中，细分割具体为：
训练第三个全卷积网络fcn模型(fcn-3)，以精确定位肿瘤区域。包含三个通道，分别为通过fcn-2生成的粗略分割概率图，对比增强后图像和减影图像。fcn-3的重点是准确估计肿瘤的位置，采用以下dice-like损失函数：
其中，g(x'n,v,w3)是通过使用fcn-3的网络系数w3的概率估计，x'n,v是具有3个通道的输入数据x'n的第v个(v＝1,…,v)体素。
6.根据权利要求1所述的一种基于层次卷积神经网络的乳腺癌mri分割方法，其特征在于，在q3步骤中，具体为以下三个步骤：
q31：肿瘤标记：标记fcn-3生成的分割图像中所有可能的肿瘤，首先，利用图像侵蚀和图像扩张以去除可能的噪音，并连接可能的非肿瘤区域；然后，计算出图像上的连接分量，以获得每个肿瘤的掩膜；最后，利用肿瘤掩膜从原始分割图像中定位出相应的肿瘤；
q32：标记点检测：为了自动计算每个肿瘤的时钟位置，首先定义位于左、右乳头的两个标志点，分别记作nl和nr；然后，训练一个具有u-net架构的标记点检测器(fcn-4)，该检测器的输入为对比增强前图像，输出为两个标记点的热图；
q33：活检肿瘤选择：以检测到的两个乳头标记点为时钟中心，计算每个检测到的肿瘤的时钟位置，肿瘤的左右位置信息由它们到两个标记点的距离来定义，时钟信息由乳头标记点和肿瘤的位置来定义，其中以乳头标志点作为时钟中心，根据每个肿瘤的估时钟位置和临床记录中活检肿瘤的时钟位置，最终从所有检测到的肿瘤中识别出活检肿瘤。