1.一种基于ABVM-UNet的肺结节分割方法，其特征在于，所述方法包括以下步骤：S1：采集肺部CT图像数据集，对图像中肺结节区域进行增强处理，突出结节的纹理与边缘特征；

S2：构建主分支与基于Gabor卷积神经网络的目标增强辅助分支实现对肺结节纹理与边缘特征的增强响应；

其中，S2包括以下步骤：

S2.1：构建主分支与基于Gabor卷积神经网络的目标增强辅助分支，主分支由多个Conv模块构成，目标增强辅助分支由多个GCN模块构成；

S2.2：将原图像块Imageraw输入主分支Conv模块进行特征提取计算，得到特征图fmain；

S2.3：将增强图像块Imageaug输入目标增强辅助分支GCN模块进行特征提取计算，得到增强特征图faug；

S3：利用分支信息交互融合模块BIIF实现辅助分支增强特征的融合与传递；

其中，S3包括以下步骤：

S3.1：构建分支信息交互融合模块BIIF(Branch Information Interaction Fusion)；

S3.2：将主分支所提取的特征fmain与目标增强辅助分支所提取的特征faug输入BIIF模块，进行信息交互与融合，得到融合后的特征f′main与f′aug；

S4：构建基于Vision Mamba的U型架构网络ABVM-UNet，实现图像局部特征与全局上下文信息的有效融合；

其中，S4包括以下步骤：

S4.1：设计基于Vision Mamba的U型架构网络ABVM-UNet；

S4.2：将Conv模块、GCN模块、BIIF模块和VSS模块有效整合进ABVM-UNet中，实现图像局部特征与全局上下文信息的有效融合；

S5：利用深度监督实现多级分割损失并对ABVM-UNet模型进行训练和优化；

S6：利用ABVM-UNet模型对肺部CT图像进行肺结节分割。

2.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S1包括以下步骤：S1.1：采集肺部CT图像数据集，生成肺实质图像并统一图像间的像素间隔；

其中，S1.1包括以下步骤：

S1.1.1：采集肺部CT图像数据集，将图像与肺部掩膜图像逐元素相乘，去除无关区域，生成肺实质图像；

S1.1.2：对肺实质图像进行数据重采样以统一像素间隔；

S1.2：截取肺结节图像块，并对图像块中肺结节组织部分进行图像增强操作，得到增强图像块；

其中，S1.2包括以下步骤：

S1.2.1：以肺结节中心坐标点为中心，对肺实质图像与肺结节掩膜图像截取大小相同的图像块，分别记为Imageraw和GroundTruth；

S1.2.2：将原图像块与肺结节掩膜图像块逐元素相乘，仅保留肺结节组织的信息，同时进行SG双重滤波，并把滤波操作后的图像块叠加进原图像块，作为增强图像块Imageaug；

S1.3：对原图像块与增强图像块进行数据预处理操作，同时进行图像数据增广操作；

其中，S1.3包括以下步骤：

S1.3.1：对原图像块与增强图像块进行数据归一化和去均值处理；

S1.3.2：利用图像数据增广技术扩充数据。

3.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S2.2包括以下步骤：采用卷积神经网络，进行卷积计算，得到Conv结构：

fmain＝Swish(BN(conv(x)))

上式中，Swish(.)代表Swish激活函数，BN(.)代表Batch Normalization批量归一化，conv(.)代表卷积核，x代表输入数据；

S2.3包括以下步骤：

采用Gabor卷积神经网络，进行卷积计算，得到GCN结构：faug＝Swish(BN(Gabor(x)))

上式中，Swish(.)代表Swish激活函数，BN(.)代表Batch Normalization批量归一化，Gabor(.)代表Gabor滤波，x代表输入数据。

4.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S3.2包括以下步骤：对主分支与目标增强辅助分支所提取的特征分别采用不同的计算方式，得到BIIF结构：f′main＝fmain+Res(channel shuffle(concatenate(VSS(fmain)+VSS(faug))))f′aug＝faug+Res(channel shuffle(concatenate(VSS(fmain)+VSS(faug))))上式中，fmain代表主分支所提取的特征，faug代表目标增强辅助分支所提取的特征，Res(.)代表残差模块，channel shuffle(.)代表通道混洗操作，即重新排列原始特征图的通道顺序，以增强通道间信息的交互融合，concatenate(.)代表通道维度拼接操作，VSS(.)代表基于Vision Mamba的VSS模块。

5.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S4.2包括以下步骤：S4.2.1：ABVM-UNet的编码器由主分支和目标增强辅助分支构成，具体表现为多个Conv模块、GCN模块和BIIF模块交替构成；

S4.2.2：ABVM-UNet的瓶颈部分是编码器转换为解码器的部分，由两个VSS模块构成；

S4.2.3：ABVM-UNet的解码器由多个Conv模块和VSS模块交替构成，并在解码器的最后一层使用1*1卷积层预测分割结果；

S4.2.4：ABVM-UNet的每层编码器之间的下采样部分使用Max Pooling最大池化操作，每层解码器之间的上采样部分使用反卷积操作；

S4.2.5：ABVM-UNet使用跳跃连接，将编码器中BIIF模块的输出与解码器中VSS模块的输出进行通道维度上的拼接，同时进行通道混洗操作。

6.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S5包括以下步骤：S5.1：通过深度监督对模型每层解码器的分割预测结果进行分割损失计算，分割损失由Dice损失和Binary Cross-Entropy交叉熵损失组成；

其中，S5.1包括以下步骤：

S5.1.1：对每层解码器使用一个1*1卷积操作，得到多尺度的分割预测结果，由解码器浅层至深层，分割预测结果分别记为：Pred、Pred1、Pred2、Pred3、Pred4；

S5.1.2：根据肺结节掩膜标签与分割预测结果Pred计算分割损失；

S5.1.3：对Pred1和Pred2进行Bilinear Interpolation上采样，得到与肺结节掩膜标签相同尺寸的分割预测结果，并计算其分割损失；

S5.1.4：对肺结节掩膜标签进行Max Pooling下采样，得到与Pred3和Pred4相同尺寸的肺结节掩膜标签，并计算分割预测结果Pred3和Pred4的分割损失；

S5.2：将每层解码器的分割损失赋予一个权重参数，并构成多级分割损失；

其中，S5.2包含以下步骤：

采用Dice损失和交叉熵损失，计算每层解码器分割预测结果的损失，得到多级分割损失：上式中，Lseg代表分割预测结果的分割损失，LDice(.)代表Dice损失，LBCE(.)代表BinaryCross-Entropy交叉熵损失，y代表肺结节掩膜标签，代表最终的分割预测结果，代表第i层解码器的分割预测结果，Li代表第i层解码器分割预测结果的分割损失，BI(.)代表Bilinear Interpolation上采样，MP(.)代表Max Pooling下采样，Ltotal代表多级分割损失，αi代表第i层解码器分割损失的权重参数；

S5.3：使用多级分割损失训练并优化ABVM-UNet模型，在训练过程中，利用反向传播算法来优化模型参数，以减少多级分割损失，从而提升模型的分割性能。

7.根据权利要求1所述的一种基于ABVM-UNet的肺结节分割方法，其特征在于，S6包括以下步骤：S6.1：导入ABVM-UNet模型的预训练权重，使用该模型对肺部CT图像进行肺结节分割；

S6.2：将肺部CT图像叠加分割预测结果，并对预测的肺结节组织部位进行标记，获得患者CT图像的肺结节分割结果。

8.一种基于ABVM-UNet的肺结节分割装置，其特征在于，包括：预处理模块：用于采集数据，对数据进行一系列预处理以及SG双重滤波操作，并转化为模型的输入格式；

GCN模块：用于构建基于Gabor卷积神经网络的目标增强辅助分支，实现模型对肺结节纹理与边缘特征的增强响应；其中，目标增强辅助分支由多个GCN模块构成，将增强图像块Imageaug输入目标增强辅助分支GCN模块进行特征提取计算，得到增强特征图faug；

Conv模块：用于构建主分支实现模型对肺结节特征的有效提取；其中，主分支由多个Conv模块构成，将原图像块Imageraw输入主分支Conv模块进行特征提取计算，得到特征图fmain；

VSS模块：用于对数据的远程交互进行建模，实现图像全局上下文信息的有效提取；

BIIF模块：用于融合主分支与目标增强辅助分支所提取的特征，实现辅助分支增强特征的融合与传递；还用于构建分支信息交互融合模块BIIF(Branch InformationInteraction Fusion)，将主分支所提取的特征fmain与目标增强辅助分支所提取的特征faug输入BIIF模块，进行信息交互与融合，得到融合后的特征f′main与f′aug；

多级分割损失模块：用于训练与优化模型，实现最小化预测误差并提升模型的性能；通过深度监督对模型每层解码器的分割预测结果进行分割损失计算，分割损失由Dice损失和Binary Cross-Entropy交叉熵损失组成；同时，将每层解码器的分割损失赋予一个权重参数，并构成多级分割损失，使用多级分割损失训练并优化ABVM-UNet模型；在训练过程中，利用反向传播算法来优化模型参数，以减少多级分割损失，从而提升模型的分割性能。