1.一种基于白适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，包括以下步骤：

101、将四张不同模态的脑肿瘤MRI图像分别输入到四个编码器逐步提取高级语义特征，在编码器部分使用C-Econv证据卷积块代替常规的卷积块提取每个模态的置信度高于设定值的特征；

102、设计动态交叉模态融合模块DCMF自动适应模态差异来学习四个编码器的模态特定特征以及模态互补特征，DCMF模块中使用注意力提取模态特定特征，使用信息熵计算不同模态的熵值以代表模态不同的贡献度，其次使用交叉像素乘融合模态互补特征；

103、将融合后的特征输入到解码器部分，考虑到编码特征和解码特征之间的语义差异设计边缘特征提取模块EEM，EEM模块分别使用多尺度大核卷积和混合注意力分别提取编码特征的全局感受野和局部感受野的细节信息，最后在解码器部分通过逐步的上采样和卷积操作得到最终的脑肿瘤分割结果。

2.根据权利要求1所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤101将四张不同模态的脑肿瘤MRI图像分别输入到四个编码器逐步提取高级语义特征，在编码器部分使用C-Econv卷积块代替常规的卷积块提取每个模态的置信度高于设定值的特征，具体包括以下步骤：A1、将UNet作为baseline进行构建网络；将原始MRI图像分别输入到四个编码器中提取特征；

B1、在常规卷积块中引入证据理论计算特征数据置信度，对提取到的特征信息进行评估；先将输入图像F进行一次常规的3D卷积提取特征，得到Fc，每一个卷积层是由2个3×3×3的卷积堆叠，每一个卷积由Convolution，BatchNormalization，Relu组成：F

Conv

其中Conv代表一个卷积核大小为3×3×3的3D卷积，BN是对特征进行标准化处理的操作，Relu是非线性激活函数，x代表输入卷积块的特征图；

之后，将卷积后的特征图使用证据理论进行质量评估，证据理论层对提取到的特征计算每个体素的置信度；

C1、每个编码器部分包含四个卷积块，针对卷积之后的特征信息采取步长为2的卷积进行下采样，通过多次下采样，网络可以逐渐扩大感受野，从而能够捕捉到更大范围的上下文信息。

3.根据权利要求2所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤B的证据理论由一个输入层，两个隐藏层和一个输出层组成；第一个输入层由I个单元组成，它们的权重向量是输入空间的原型向量V1，V2，…，VI；原型层中单元i对输入向量x的激活为s

α

m

m

u

A，B，C∈Ω，

4.根据权利要求3所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤102设计DCMF模块在提取模态特定特征以及模态互补特征的同时，使用信息熵计算不同模态贡献度实现自适应融合，具体包括：A2、在MRI的四个模态数据中，Flair模态和T2模态用于提供有关肿瘤位置及形状的信息，T1和T1c模态为肿瘤内部提供更多的细节信息；将Flair模态与T2模态拼接，将T1与T1c模态拼接，得到两个不同的模态对数据C2、使用信息熵计算每个模态中像素点的熵值；

D2、最后将两个注意力分支通过交叉乘的方式学习模态之间的互补特征，将网络计算得到的然后将F

5.根据权利要求4所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤B2针对每个模态对均使用两个并行的注意力机制提取模态特定特征，具体包括：对于每一个模态对分别生成注意力图F

其中，Conv

6.根据权利要求5所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤C2使用信息熵计算每个模态中像素点的熵值，具体包括：不同的熵值代表每个模态中的像素点为肿瘤区域的概率，选择具有高概率的特征信息作为贡献度较高的特征，信息熵计算公式：根据计算得到的不同模态的信息熵调整模态的贡献度来学习模态互补特征，H(X)值越低代表该像素点的贡献度越高，选取低H(X)作为选定的像素点。

7.根据权利要求6所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤D2最后将两个注意力分支通过交叉乘的方式学习模态之间的互补特征，具体包括：将网络计算得到的

然后将F

8.根据权利要求6所述的一种基于自适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤103将融合之后的信息在解码器部分通过EEM模块来缓解编码特征和解码特征之间的语义差异问题，具体如下：A3、在编码器-解码器网络中，首先利用多尺度大核卷积感知全局边缘信息；将大核卷积引入到网络中；

B3、考虑到肿瘤各个区域的边界不易区分，针对F

C3、最后将包含更多边缘信息的特征信息与低层上采样传送来的特征进行聚合上采样，通过这种重复的聚合上采样操作逐渐恢复图像原始尺寸，并且得到最终的脑肿瘤分割结果。

9.根据权利要求6所述的一种基于白适应特征信息差异的可靠脑肿瘤分割方法，其特征在于，所述步骤A3将大核卷积引入到网络中，具体包括：针对跳跃连接传输至解码器的特征FF

其中MLKA

MLKA＝Conv

为了充分融合多尺度特征之间的互补信息，使用绝对值减以及像素加操作来捕获更多的细节信息。

10.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至9任一项所述基于自适应特征信息差异的可靠脑肿瘤分割方法。