1.一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，所述方法包括以下步骤：

S1：预处理腹部CT数据，将CT数据划分为训练集，验证集和测试集；

S2：引入GTF(Geometric Tight Framelet)，结合卷积操作，构建GTF卷积；具体包括以下步骤：S2.1：构建GTF变换及其逆变换滤波器；

S2.2：运用GTF变换级联分解、重构，构建GTF卷积(GTFConv)；

其中，S2.1包括以下步骤：

构建基础矩阵W0、W1与W2，它们将作为后续生成一系列复杂矩阵结构的关键起始模块；其中，W0包含图像的平滑信息，W1包含图像的方向与梯度信息，W2提取与W0特性相反的图像局部变化及对比度信息；

定义其中i，j＝0,1,2，表示克罗内克积，由此组合生成GTF变换滤波矩阵组：f0＝W0,0，

f11＝W2,1，f12＝W1,2，

GTF变换滤波器组定义为其中是低通滤波器fL，是高通滤波器，统称为fH；由filterstfilters＝E

可知GTF变换具有正交性，得到GTF逆变换滤波器filterst；

其中，S2.2包括以下步骤：

给定单通道图像X，基于GTF的低通滤波器fL和高通滤波器fH，GTF变换(GT)可描述为：[XL,XH]＝Conv([fL,fH],X)每个频域分量的分辨率是X的一半，XL是X的低频分量，XH是X的高频分量；由于GTF变换具有正交性，则GTF逆变换(IGT)可由转置卷积得到：X＝Conv-transposed([fL,fH],[XL,XH])级联GTF变换可通过递归分解低频分量实现，其中，然后，对分解后的频域分量分别进行卷积操作，得到中间变量Y，其中，w是卷积核的权重:GTF是一个几何紧框架小波，根据小波变换与逆变换的线性性质，有：GT(M+N)＝GT(M)+GT(N)

IGT(M+N)＝IGT(M)+IGT(N)运用小波逆变换线性性质组合高层输出和低层的YL：最后进行GTF逆变换对图像进行重构，得到GTF卷积的输出Z:S3：融合GTF卷积与注意力机制，构建多频双注意力模块；

S4：融合内部特征蒸馏损失和分割损失，构建多尺度蒸馏分割损失；

S5：融合GTF卷积，多频双注意力模块及多尺度蒸馏分割损失，构建GTF-UNet模型；

S6：使用训练集，验证集和测试集对模型进行训练，验证优化及测试。

2.根据权利要求1所述的一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，S1包括以下步骤：S1.1：对采集的CT数据进行预处理，包括：裁剪去除无关的区域，重采样确保数据尺寸一致；使用滤波技术对数据进行去噪，同时对数据进行归一化操作；

S1.2：将预处理后的CT数据划分成训练集、验证集以及测试集。

3.根据权利要求1所述的一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，S3包括以下步骤：S3.1：构建双注意力(DualAttention)模块；

S3.2：融合GTF卷积，构建多频双注意力模块(MFDAM)；

其中，S3.1包括以下步骤：

采用空间注意力和通道注意力构成双注意力模块，特征图首先经过通道注意力模块压缩空间维度，获取通道维度的信息；然后将通道注意力模块的输出作为输入，进行空间注意力的计算以压缩通道维度，获取目标区域的空间信息；双注意力模块Acs总体计算流程如下所示：Ac(FD)＝σ(MLP(AvgPool(FD))+MLP(MaxPool(FD)))As(FD′)＝σ(f7×7([AvgPool(FD′)；MaxPool(FD′)]))即FD″＝Acs(FD)

上式中，FD是输入特征，FD′，FD′′分别是通道注意力模块的输出和双注意力模块最终输出，表示逐元素相乘操作，σ表示sigmoid激活函数，f7×7表示滤波器，Ac，As分别表示通道注意力层和空间注意力层，Acs表示双注意力模块；

其中，S3.2包括以下步骤：

基于GTF卷积的一层分解与重构过程，在原始输入特征层面和频域子图层面分别引入双注意力模块构成多频双注意力模块，具体实现如下：F′＝Acs(Conv(fin))

fL,fH＝GT(fin)

fGout＝IGT(Acs(Conv(FL,FH)))其中，Fin，Fout分别代表输入特征和输出特征，FL，FH是输入特征经过GTF变换分解得到的高低频子图，高低频子图经过卷积与双注意力模块获取注意力权重，然后进行GTF逆变换重构出FGout，最后与原始输入特征层面的输出F′进行拼接得到最终输出fout。

4.根据权利要求1所述的一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，S4包括以下步骤：S4.1：计算内部特征蒸馏损失；

S4.2：计算分割损失；

S4.3：构建多尺度蒸馏分割损失；

其中，S4.1包括以下步骤：

GTF-UNet主体由编码块，解码块以及瓶颈组成，块内包含卷积层；对于每个块中的特征图，将其通道数量在通道维度上平均分成两部分，前半部分作为浅层通道特征后半部分作为深层通道特征内部特征蒸馏损失函数LIFD定义为：上式中，表示位于第b个块的第j层的特征图，B表示网络中块的总数，J表示块内层的总数，计算采用L2范数；通过这种方式，从浅层通道特征到深层通道特征进行信息蒸馏；

其中，S4.2包括以下步骤：

分割损失融合Dice和交叉熵混合损失；分割损失LMSD定义如下：LMSD＝α×Dice(P,G)+(1-α)×CrossEntropy(P,G)其中，P表示预测分割图，G表示真实分割图，N表示像素的数量，∈是一个正数，α是平衡Dice损失和交叉熵损失的权重；

其中，S4.3包括以下步骤：

运用多尺度监督，融合内部特征蒸馏损失函数LIFD和分割损失LMSD，得到多尺度蒸馏分割损失LMDS如下所示：其中，wj是分配给第j个尺度的权重,LMSD(j)是第j个尺度的分割损失，β用于平衡分割损失和内部特征蒸馏损失。

5.根据权利要求1所述的一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，S5包括以下步骤：以U型网络为基础架构，将GTFConv块嵌入编码器和解码器，然后在U型网络瓶颈融合MFDAM，最后使用多尺度蒸馏分割损失函数进行优化学习，构成GTF-UNet模型。

6.根据权利要求1所述的一种基于GTF卷积及多频双注意力的肝肿瘤分割方法，其特征在于，S6包括以下步骤：使用训练集和验证集对模型进行训练及验证优化，得到最优模型权重，然后使用测试集对模型进行测试。