1.一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，包括以下步骤：S1，获取医学影像的异常样本数据集D1、健康样本数据集D2，D1中样本为包含异常区域的异常样本；D2中样本为健康样本；

S2，构造离散掩码自编码器MVQ‑MAE；

获取一VQ‑VAE，在其编码器的块嵌入层与编码层设置随机掩码层，得到VQ‑MAE，用D2训练VQ‑MAE得到离散掩码自编码器MVQ‑MAE，所述随机掩码层用于对块嵌入层的输出生成掩码再送入编码层中，所述编码层为L层Transformer层，所述MVQ‑MAE用于输入自然图像，重建后输出重建图像；

S3，对D2中的每个健康样本，通过融合扰动区域生成伪异常图，所有伪异常图构成数据集D3；

S4，对D2和D3中样本自动生成标注；

D3中样本为第一正样本，标签y1=1，D2中样本为第一负样本，标签y1=0，D2和D3中每个样本基于块嵌入层分为N个分块，包含扰动区域的分块为第二正样本，标签y2=1，其余分块为第二负样本，标签y2=0；

S5，构造医学影像异常区域识别网络，包括MVQ‑MAE、注意力图定位单元、差值图生成单元、残差图定位单元、多尺度分类器、异常分数定位单元、融合定位单元；

所述MVQ‑MAE用于输入样本X，输出重建样本 ，所述样本为D2中健康样本或D3中伪异常图；

所述注意力图定位单元用于获取X在MVQ‑MAE中每个Transformer层的自注意力矩阵，并加权融合得到注意力图 ；

所述差值图生成单元用于生成X和 的归一化差值图 ；

所述差值图定位单元用于计算差值图每个分块的平均残差，重排为图像再上采样到样本X尺寸，得到残差图 ；

所述多尺度分类器包括编码器、与编码器相连的第一分类头、第二分类头和第三分类头；

所述编码器用于输入差值图 ，分为N块后，每个分块经L层Transformer层提取L个分块特征，差值图第n个分块经第l层Transformer层提取的分块特征为 ，1≤n≤N，1≤l≤L；

所述第一分类头用于输出X为第一正样本的预测概率 ，第二分类头用于输出X中各分块为第二正样本的预测概率 ，第三分类头用于输出 为异常区域的预测概率 ，并根据异常阈值 得到 的异常标签 ，其中，若 ，则 ，否则 ；

所述异常分数定位单元用于将第L层N个分块的 ，按分块位置拼接为矩阵，再上采样至样本X尺寸，得到异常分数图 ；

所述融合定位单元用于对 、 和 加权融合得到融合图 、归一化为归一化融合图 ，再二值化处理得到融合异常区域图；

S6，用D2和D3训练医学影像异常区域识别网络，得到异常区域识别模型，并用D1测试；

S7，将D1中样本输入异常区域识别模型，输出对应的融合异常区域图；

S2中，构造VQ‑MAE具体包括步骤S21 S24；

~

S21，获取一VQ‑VAE，包括编码器和解码器，所述编码器包括块嵌入层、编码层、向量量化层；

S22，在块嵌入层、编码层间设置一随机掩码层；

所述块嵌入层用于将异常样本分个N个分块，将每个分块嵌入到高维空间得到嵌入向量，并将N个嵌入向量构成Token序列，Token序列中第n个分块的嵌入向量为zn；

所述随机掩码层用于对Token序列按预设遮挡比例r随机掩码，得到掩码序列，Token序列中第n个元素的掩码为Maskn；

所述编码层用于对掩码序列进行特征提取，得到连续的潜在表示z；

所述向量量化层用于基于码本将潜在表示z量化为N个离散的码字，得到离散Token序列；

所述解码器用于根据离散Token序列对异常样本进行重构，输出重构图像；

S23，构造VQ‑MAE的重构损失LVQ；

，

式中e为训练过程中对潜在表示z生成的码本向量，sg[∙]为停止梯度操作， 为L2范数的平方，β为LVQ中第二项权重；

S24，用D2按预设迭代次数训练VQ‑MAE，每次迭代计算数LVQ，并更新VQ‑MAE的网络参数和码本向量e的值，迭代结束后的码本向量作为离散Token序列。

2.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，S6中，以最小化总损失Ltotal训练医学影像异常区域识别网络；

，

式中，LUAD为归一化差值图损失，LVQ为VQ‑MAE的重构损失，Lalign为基于第三分类头计算的多尺度对齐损失，Lregion为基于第二分类头计算的区域监督损失，Lcls为基于第一分类头计算的全图分类损失，λvq、λ1、λ2、λ3分别是LVQ、Lalign、Lregion、Lcls的权重。

3.根据权利要求2所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，LUAD、Lalign、Lregion、Lcls分别下式得到；

，

，

，

，

，

LUAD公式中，Xi,j、 分别为X和 中第i行j列像素值，σi,j为X和 的方差图中第i行j列像素值，M为X中像素位置集合，|M|为X中像素总数，ϵ为极小值；

Lalign公式中，λl为第l层Transformer层的权重， 为欧几里得距离的平方；

Lregion公式中，Lcls(n)为差值图第n个分块的分类损失。

4.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，S3生成伪异常图具体为；

将健康样本作为自然图像P输入MVQ‑MAE，得到重建图像 ；

将 分为大小不同的子块并随机选取W个子块，预设第w个子块Bw的扰动强度因子为βw，1≤w≤W，对 中第i行j列像素 ，若 属于Bw则根据 ，生成扰动像素 ，所有扰动像素构成扰动区域；

用泊松融合将扰动区域与健康样本融合，得到伪异常图 。

5.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，所述注意力图定位单元得到注意力图 具体为：对第l层N个分块特征，经自注意力机制得到注意力权重，再按分块位置拼接成矩阵A(l) (l)，将A 上采样至样本X尺寸得到第l层的自注意力矩阵 ；

依次得到L层的自注意力矩阵，再根据下式计算注意力图 ；

，

式中， 第l层Transformer层的权重。

6.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，差值图生成单元的归一化差值图 根据下式得到；

，

式中， 为X和 的差值图， 为基于差值图得到的方差图，ϵ为极小值。

7.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，S5中，所述多尺度分类器的编码器为共用MVQ‑MAE的编码器。

8.根据权利要求1所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，归一化融合图 根据下式得到融合异常区域图Mfinal；

，

式中，Mfinal(i,j)、 分别为Mfinal、 中第i行j列像素，τ为预设的融合定位阈值。

9.根据权利要求2所述的一种基于大模型自监督学习的医学影像异常区域识别方法，其特征在于，S6训练过程方法S61 S63；

~

S61，预设迭代次数；

S62，随机从D2和D3中抽取一批次样本，送入医学影像异常区域识别网络中，生成每个样本的融合异常区域图，计算Ltotal，并以最小化Ltotal调整多尺度分类器的网络参数；

S63，重复S62直至迭代结束，得到异常区域识别模型。