1.用于数字病理全景切片的分辨率自适应无缝语义分割方法，其特征在于，包括以下步骤：步骤1，获取待处理的病理全景切片图像；

步骤2，基于物理分辨率信息对病理全景切片图像进行自适应索引，得到目标图像块；

步骤3，构建语义分割模型，基于指定的分辨率的数据集，使用基于掩码的自监督学习方法对语义分割模型进行训练，得到目标语义分割模型；

步骤4，利用目标语义分割模型对任意物理分辨率的病理全景切片进行语义分割；

步骤2包括：

根据全景病理切片的原始物理分辨率和各层级的下采样倍率，计算出每个层级对应的物理分辨率；

遍历所有层级的物理分辨率，找到最合适的层级作为目标层级；

根据目标分辨率和目标层级的物理分辨率计算偏差比例系数，根据偏差比例系数调整取样尺寸，得到新的取样尺寸；

通过目标层级、位置和新的取样尺寸，从全景病理切片中读取对应的局部图像块，并将该局部图像块调整为指定的目标尺寸，其中对获取的局部图像块进行缩放处理，缩放的比例为偏差比率系数的倒数，得到目标图像块；

找到最合适的层级作为目标层级包括：

当某一层级的目标分辨率大于等于当前层级物理分辨率乘以分辨率容差比例时，则将该层级作为最合适取样的层级。

2.根据权利要求1所述的用于数字病理全景切片的分辨率自适应无缝语义分割方法，其特征在于，使用基于掩码的自监督学习方法对语义分割模型进行训练包括：对于数据集中的每张切片，随机选取该切片的γ比例的图像区域进行掩码处理，剩余图像区域作为未掩码区域，其中γ的取值范围为0到1；

利用语义分割模型的特征提取子模块提取未掩码区域的特征；

利用语义分割模型的重建子模块预测掩码区域的像素值。

3.根据权利要求2所述的用于数字病理全景切片的分辨率自适应无缝语义分割方法，其特征在于，语义分割模型采用加权混合损失函数，公式为：，

式中， 为自监督任务的损失， 为监督任务的损失，为自监督任务的损失权重，为监督任务的损失权重，且 。

4.根据权利要求3所述的用于数字病理全景切片的分辨率自适应无缝语义分割方法，其特征在于，步骤4包括：计算语义分割模型指定的分辨率Q与病理全景切片的实际分辨率s之间的差异系数r，公式为： ；

根据原始病理全景切片的尺寸 和分辨率的差异系数r，计算在等效于分辨率Q下的分割结果图尺寸，公式分别为：， ，

式中，H表示原始病理全景切片在最高分辨率下的高度，h表示在等效于分辨率Q下分割结果图的高度，W表示原始病理全景切片在最高分辨率下的宽度，w表示在等效于分辨率Q下分割结果图的宽度；

根据计算出的分割结果图尺寸初始化语义分割标签图M；

在语义分割标签图M上进行步长为s的划窗采样循环，将每次循环得到的局部图像块填充到语义分割标签图M的对应区域内；

完成循环后，得到完整的语义分割标签图M。

5.根据权利要求4所述的用于数字病理全景切片的分辨率自适应无缝语义分割方法，其特征在于，在语义分割标签图M上进行步长为s的划窗采样循环，包括：确定原始病理全景切片中采样起始点的位置，公式为：，

，

式中， 、 分别表示在原始病理全景切片上的采样起始点的横纵坐标； 、 分别表示在分割结果图上的当前滑窗位置的横纵坐标，是循环变量，用于遍历整个分割结果图；

按照采样起始点的位置从原始病理全景切片中读取目标图像块，得到尺寸为 的语义分割图；

在语义分割图的中心进行裁剪，得到尺寸为 的有效部分R；

将有效部分R填充到语义分割标签图M的 区域。