本發明涉及醫學圖像，特別涉及一種生物醫學圖像分割方法、系統、設備與介質。
背景技術：
1、生物醫學圖像的自動分割在眾多臨床診斷和生物醫學研究中具有極其重要的意義，廣泛應用于腫瘤檢測、器官邊界?delineation、細胞形態學分析等領域。隨著深度學習技術的飛速發展，基于u-net及其變體的u型網絡結構在生物醫學圖像分割任務中取得了顯著成果。然而，大多數現有研究側重于通過架構設計或注意力機制等方式提升模型的特征提取能力，較少關注生物醫學圖像在頻率域的內在屬性。
2、已有研究表明，神經網絡在訓練過程中存在頻譜偏置（spectral?bias）傾向，即更容易學習圖像中的低頻（low-frequency,?lf）信息，而較難捕捉高頻（high-frequency,hf）細節。這種傾向限制了模型在識別精細解剖結構、復雜紋理邊界以及弱對比區域方面的性能。高頻成分恰恰承載了大量關于組織邊緣、結構紋理的重要信息，因此在生物醫學圖像分割任務中具有不可忽視的價值。
3、將圖像在頻率域中進行人為解耦，分別提取其低頻與高頻成分，不僅有助于增強模型對不同尺度結構的表征能力，也為構建更具判別性的學習信號提供了新思路。在此背景下，越來越多的研究開始嘗試借助小波變換等頻率分析工具來探索圖像的多頻信息表達。
4、盡管全監督學習在分割性能方面表現出色，但其高度依賴大規模高質量標注數據的獲取，這在醫學圖像領域面臨嚴峻挑戰。由于醫學圖像的標注過程不僅費時耗力，還依賴具備專業醫學知識的專家，因此數據標注的成本極高，難以擴展。
5、為克服這一瓶頸，半監督學習（semi-supervised?learning,?ssl）日益受到關注。該方法通過結合少量標注數據與大量未標注數據，在保證分割性能的同時顯著降低對標簽依賴。常見的半監督策略包括自訓練（self-training）、一致性正則化（consistencyregularization）和對比學習（contrastive?learning）。其中一致性正則化因其實用性強、實現簡便，在多個任務中均取得了良好的效果。然而，當前方法普遍采用人工設計的圖像擾動（如旋轉、模糊、顏色抖動等）來構造一致性信號，而這些擾動在醫學圖像中可能會引入非自然的形態學變化甚至偽影，破壞原有的解剖結構，從而影響模型性能并引入負面學習偏差。
6、現有技術進行生物醫學圖像分割時，目前多數方法往往專注于解決全監督或半監督場景中的某一種問題，部分已有方法如xnet嘗試融合不同頻率信息以提升性能，從而達到最優的分割效果，然而其采用的特征級融合方式在減弱低頻與高頻特征分布差異的同時，也削弱了用于正則化的一致性信號，限制了該方法在處理生物醫學圖像分割時，采用這種半監督任務時適應性和準確性。
技術實現思路
1、本發明的目的在于針對上述現有技術的不足，提供一種生物醫學圖像分割方法、系統、設備與介質，以解決現有技術中的問題。
2、本發明具體提供如下技術方案：一種生物醫學圖像分割方法，包括：
3、采集生物醫學圖像，并將生物醫學圖像分解為低頻lf分量和高頻hf分量；
4、基于跨分支偽標簽引導策略，將低頻lf分量和高頻hf分量并行處理，生成低頻lf分量的第一偽標簽和高頻hf分量的第二偽標簽，并通過第一偽標簽對高頻hf分量處理過程進行語義引導，利用第二偽標簽監督低頻lf分量處理過程，分別生成第一頻率特征圖和第二頻率特征圖；
5、將第一頻率特征圖和第二頻率特征圖進行象限頻率感知，對所有頻率特征圖的空間象限進行動態權重調整，并以區域特定的方式進行頻率感知重校準，根據頻率感知重校準結果，選擇在當前任務中表現最優的頻率分支作為最終的推理路徑，以所述推理路徑生成相應的分割預測結果。
6、優選的，通過預訓練的雙分支分割網絡模型對低頻lf分量和高頻hf分量進行分割，生成相應的分割預測結果，其中預訓練的雙分支分割網絡模型包括：
7、兩個并行連接的不同頻率處理分支；其中每個不同頻率處理分支均由深度神經網絡構成，且深度神經網絡的跳躍連接處連接有象限頻率感知單元。
8、優選的，所述對所有頻率特征圖的空間象限進行動態權重調整，并以區域特定的方式進行頻率感知重校準，具體為：
9、在象限頻率感知單元每個象限內，集成了兩種互補機制，對所有頻率特征圖進行頻率感知重校準；其中互補機制包括：通道-頻率調制cfm和空間-頻率增強sfe；
10、其中通道-頻率調制cfm對不同通道上的特征響應進行重新校準；具體表達式為：
11、；
12、其中，和分別表示自適應最大池化和平均池化操作，表示瓶頸變換，是sigmoid函數，為變量；
13、其中，空間-頻率增強sfe基于頻率顯著性增強像素級特征響應；具體表達式為：
14、；
15、其中，和分別是通道維度上的最大值和平均值，是一個3×3的空間卷積。
16、優選的，所述生成第一頻率特征圖和第二頻率特征圖，具體表達式為：
17、；
18、；
19、其中，為第一頻率特征圖，為第二頻率特征圖，和為可學習標量參數，用于調節互補頻率分量的貢獻度， ca表示對應低頻lf分量的近似系數， ch、 cv和 cd分別代表水平、垂直和對角細節系數。
20、優選的，通過預訓練的雙分支分割網絡模型對低頻lf分量和高頻hf分量進行分割之前，還包括對雙分支分割網絡模型進行預訓練，所述預訓練的過程具體為：
21、通過監督損失和一致性損失對雙分支分割網絡模型進行聯合優化；其中在全監督或半監督設置下，總損失函數均定義如下：
22、；
23、其中， l sup表示監督損失， l cons表示一致性損失；
24、監督損失定義為各分支的dice損失之和：
25、；
26、其中，和分別表示低頻lf和高頻hf分支對第i?th個樣本的分割預測結果，是對應的目標真值；
27、一致性損失定義為交叉偽監督（cps）損失：
28、；
29、其中，和分別是從或中生成的偽標簽。
30、本發明提供一種生物醫學圖像分割系統，包括：
31、采集模塊，用于采集生物醫學圖像，并將生物醫學圖像分解為低頻lf分量和高頻hf分量；
32、模型處理模塊，用于基于跨分支偽標簽引導策略，將低頻lf分量和高頻hf分量并行處理，生成低頻lf分量的第一偽標簽和高頻hf分量的第二偽標簽，并通過第一偽標簽對高頻hf分量處理過程進行語義引導，利用第二偽標簽監督低頻lf分量處理過程，分別生成第一頻率特征圖和第二頻率特征圖；
33、分割模塊，用于將第一頻率特征圖和第二頻率特征圖進行象限頻率感知，對所有頻率特征圖的空間象限進行動態權重調整，并以區域特定的方式進行頻率感知重校準，根據頻率感知重校準結果，選擇在當前任務中表現最優的頻率分支作為最終的推理路徑，以所述推理路徑生成相應的分割預測結果。
34、本發明提供一種計算機設備，包括存儲器及處理器，所述存儲器中儲存有程序，所述程序被所述處理器執行時，使得所述處理器執行上述一種生物醫學圖像分割方法的步驟。
35、本發明提供一種存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現上述的一種生物醫學圖像分割方法的步驟。
36、與現有技術相比，本發明具有如下顯著優點：
37、本發明將生物醫學圖像分解為低頻lf分量和高頻hf分量，通過并行分支以及跨分支偽標簽引導策略，對低頻lf分量和高頻hf分量進行增強，分別獲得頻率特征圖，促進兩個分支在不同頻率特征層面的協同學習，實現了構建自然頻率一致性信號，在保持各自特性的同時，有效平衡了低頻與高頻分支間的信息分布，同時進行象限頻率感知，對所有頻率特征圖的空間象限進行動態權重調整，并以區域特定的方式進行頻率感知重校準，根據頻率感知重校準結果，選擇在當前任務中表現最優的頻率分支作為最終的推理路徑，以所述推理路徑生成相應的分割預測結果，實現了通過自然頻率一致性信號結合象限頻率感知機制（qfau）提升局部頻率學習能力，對圖像低頻語義與高頻結構的協同建模，進而增強模型在全監督與半監督條件下的分割準確性和泛化能力。