1.一種模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，包括步驟s110-s140：
2.根據權利要求1所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，所述的跳躍連接包括一個殘差注意力感知模塊raam，raam由細節增強模塊deblock以及通道注意力和空間注意力以及一個殘差連接組成。
3.根據權利要求2所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，所述的跳躍連接中，首先接收來自主干網絡的輸入特征圖fi，輸入特征圖fi首先經過細節增強模塊deblock，提取細節邊緣信息，輸出增強后的特征圖；將經過細節增強的特征圖輸入到通道注意力模塊ca，計算各通道的重要性權重，生成通道增強特征圖；同時增強特征圖還會經過空間注意力模塊sa，計算各像素位置的權重分布，生成空間增強特征圖；通道注意力和空間注意力的輸出相乘，以融合通道和空間的權重信息，得到進一步優化的特征圖fp；
4.根據權利要求1所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，瓶頸層bottleneck由兩個swin?transformer模塊串聯組成，在bottleneck層還設計了一個殘差連接用來校準特征圖信息；swin?transformer模塊是基于移位窗口構建，每個swintransformer塊由層歸一化ln、多頭自注意力模塊w-msa、殘差連接和具有gelu非線性的2層mlp組成。
5.根據權利要求4所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，瓶頸層bottleneck中具體的算法步驟為：首先，對輸入特征進行層歸一化，以標準化特征分布，然后，將特征劃分為固定大小的窗口，在每個窗口內執行多頭自注意力w-msa操作，從而高效捕獲局部區域的信息；多頭自注意力w-msa的輸出與原始輸入特征通過殘差連接相加，以保留輸入特征的信息；隨后，再次對特征進行層歸一化ln，并通過一個具有gelu激活函數的多層感知機mlp提取非線性特征，形成第一個swin?transformer模塊的輸出；第二個swintransformer模塊的結構與第一個塊區別在于使用移位窗口的多頭自注意力sw-msa機制，通過將窗口劃分方式移位，跨窗口捕獲全局信息，實現更豐富的特征交互。
6.根據權利要求1所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，解碼器采用五個細節增強模塊deblock；在上采樣階段，為了降低參數量，采用雙線性插值來恢復特征圖的空間尺寸；此外，解碼器還接收來自跳躍連接的特征圖，并與通過雙線性插值得到的特征圖在通道維度上進行拼接，進一步整合多層特征信息；具體而言，解碼器第五層接收來自bottleneck的輸出特征，并對其進行上采樣；上采樣后的特征圖與來自第四個raam的輸出特征拼接后，輸入第五個deblock進行特征整合；整合后的特征圖進入解碼器第四層，經過上采樣后，與來自第三個raam的特征拼接，再傳入第四個deblock處理；以此類推，解碼器第三層將整合后的特征圖上采樣，并與來自第二個raam的特征拼接，送入第三個deblock完成特征融合；解碼器第二層重復上述操作，將上采樣特征與第一個raam的輸出拼接后，傳入第二個deblock進行整合；最后，解碼器第一層對特征圖進行上采樣，輸入最后一個deblock完成最終的特征提取。
7.根據權利要求1所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，所述的輸出端，分割頭使用一個1x1的卷積核以及sigmoid激活函數，得到最終的圖像分割結果。
8.根據權利要求1所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，在步驟s130中，利用步驟s110中準備的原始圖像訓練數據集itrain和手動標注的標簽數據集ltrain對模型進行訓練。
9.根據權利要求8所述的模糊邊緣增強的皮膚病變圖像分割方法，其特征在于，具體訓練流程如下：首先，將訓練圖像輸入網絡以生成當前迭代的預測結果；然后，將該預測結果與對應的手動標注進行比較，通過損失函數計算損失值；接著，使用隨機梯度下降優化器計算梯度，并通過反向傳播更新網絡權重；重復上述步驟，直至滿足預設的誤差標準，從而完成模型訓練；最后，使用原始圖像測試數據集itest和對應的手動標注測試數據集ltest對模型進行驗證，以評估其性能；
10.一種基于殘差像素差分卷積的模糊邊緣增強皮膚病變分割系統，其特征在于，所述系統執行權利要求1-9任一所述的方法。