1.一种基于频段分解和深度学习的医学图像分割方法，其特征在于，包括如下步骤：步骤1、分别获取源域数据集和目标域数据集；源域数据集与目标域数据集均由不同医学成像设备采集的不同患者人群的医学图像构成；

设源域数据集为 ，获取的源域数据集为已有标签的数据集；设目标域数据集为，目标域数据集通过医学成像设备实时获取；

步骤2、构建包括图像分解模块、通道适应模块与骨干网络的图像分割深度学习模型；

图像分割深度学习模型进行图像分割的过程为：步骤2.1、通过图像分解模块对医学图像进行分解，得到分解子图像；

所述步骤2.1的具体过程如下：

从源域数据集 中随机抽取一张图像记为原始图像 ，按照如下公式将原始图像分解为 张不同频段的分解子图像，分解子图像之间包含不同的频率信息，前 张分解子图像为高频分解子图像，第 张分解子图像为低频分解子图像；

 (1)；

 (2)；

式中， 为第 频段图像在 位置上的强度值； 为第 张平滑图像在 位置上的强度值； 为第 张平滑图像在 位置上的强度值；

为第 频段图像平滑得到的第 张平滑图像在 位置上的强度值；

为第 频段图像在 位置上的强度值； 为尺度参数 第 频段图像在 位置上的卷积核；为卷积操作；尺度参数 设置为2；当 时，；

步骤2.2、从分解子图像中选取 张高频分解子图像，并将 张维度为的高频分解子图像进行拼接，得到一张维度为 的多通道图像；其中， 为分解子图像的宽度，为分解子图像的高度；

步骤2.3、将多通道图像输入通道适应模块，通道适应模块由四个卷积层构成，第一卷积层、第二卷积层和第三卷积层的卷积核均为3×3，第四卷积层的卷积核为1×1；经过通道适应模块后，多通道图像的维度由 变换为 ，即将多通道图像通过卷积层整合成3通道图像，完成对分解子图像中特征信息的提取和整合；

步骤2.4、将3通道图像输入骨干网络，得到分割图像；

步骤3、将源域数据集作为训练集，对图像分割深度学习模型进行训练，得到训练完成的图像分割深度学习模型；

步骤4、将目标域数据集作为测试集，输入到训练完成的图像分割深度学习模型中，得到最终的医学图像分割结果。

2.根据权利要求1所述基于频段分解和深度学习的医学图像分割方法，其特征在于，所述步骤3的具体过程如下：将源域数据集 作为训练集对整个图像分割深度学习模型进行训练，训练时，学习率设置为0.0001，迭代次数为200次，优化器采用Adam优化器，对训练集使用数据增强技术进行数据处理，包括随机缩放、随机裁剪、随机水平翻转和随机竖直反转，采用数据处理后的训练集进行模型训练，最终得到训练好的图像分割模型；

训练时每张输入图像都通过图像分解模块分解为4个不同频率通道，训练中随机去除部分高频细节；

训练时的损失函数采用如公式（3）所示的交叉熵损失函数和公式（4）所示的Dice系数损失函数的组合，于是总损失函数如公式（5）所示， (3)；

 (4)；

 (5)；

式中， 表示交叉熵损失函数；表示预测结果； 表示样本的实际标签； 表示以自然常数e为底的指数函数；表示第 列像素；表示像素总列数； 表示样本数的倒数； 表示Dice系数损失函数； 表示一个批次输入的图像总数；表示第 行像素；

表示像素总行数； 表示第 行第 列的真实分布； 表示第 行第 列的网络输出分布； 表示总损失函数。