在計算機輔助醫療診斷領域，獲取含標簽的醫學數據代價昂貴，同時對模型的可解釋性要求較高，而目前大多數深度學習模型存在數據缺乏和可解釋性差的局限。為此，本文提出一種新穎的用于醫學圖像分割的數據增強方法，其優勢和新穎之處在于，通過梯度類激活熱力圖提取數據效用特征并與原圖像進行融合，然后構建新的通道權重特征提取器來學習不同通道間的權重，最終實現了不具有破壞性的數據增強效果，提升了模型的性能、數據效用和可解釋性。將本文方法應用于超光譜-克瓦希爾（Hyper-Kvasir）數據集，U型網絡（U-net）模型的交并比（IoU）和戴斯（Dice）系數分別有所提升；在國際皮膚成像合作組織（ISIC）檔案文件（Archive）數據集（ISIC-Archive）上，深度研究實驗室V3+網絡（DeepLabV3+）模型的指標IoU和Dice系數也分別有所提升。此外，在僅使用70%的訓練數據的情況下，依然取得了原模型在整個數據集上訓練所得性能的95%，表現出良好的數據效用。而且，該方法所使用的數據效用特征具有內置的可解釋信息，有助于提高模型的可解釋性。本文所提方法普適性較好，可以即插即用，適用于不同的分割方法，且無需修改網絡結構，因此易于集成到現有的醫學圖像分割工作中，可提高今后研究和應用的便利性。