1.一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，所述方法包括以下步骤：S1：预处理脑部MRI数据，将数据划分为训练集，验证集和测试集；

S2：构建多尺度分解残差卷积模块(MSDRC)进行特征提取，构成多级次特征图；

S2.1：采用三种大小的卷积核构建三个特征提取分支；

S2.2：在各个分支上对特征进行分解和细化；

S2.3：将三个分支的特征进行融合，构建多尺度分解残差卷积模块；

其中，S2.2包括以下步骤：

将一个传统的3D卷积核分解为两个伪3D卷积核的连接，在两个被分解的卷积块之间，利用残差连接以防止特征在提取过程中的信息丢失；

S3：构建跨层特征聚合模块(CLFA)，对多级次特征图进行高效聚合，得到聚合特征图；

S3.1：将浅层与中层特征进行聚合，生成初步聚合特征；

S3.2：将中层、初步聚合以及深层特征进一步聚合，构建跨层特征聚合模块；

S4：构建四重维度注意力模块(QDA)，对聚合后的特征图进一步细化，得到细化特征图；

S4.1：将输入特征沿不同方向进行转置，形成四个分支；

S4.2：在四个分支上分别对四个维度进行注意力建模，生成增强后特征；

S4.3：将四个分支增强后特征进行融合，构建四重维度注意力模块；

其中，S4.2包括以下步骤：

在轴位、冠状位、矢状位和通道四个维度上建模注意力，四个分支分别进行注意力建模，通过平均池化和标准差池化对输入特征进行池化操作，得到两个池化结果，并将它们进行自适应聚合，生成新的特征张量；

S5：融合多尺度分解残差卷积，跨层特征聚合及四重维度注意力模块，构建MSLQA-Net分割模型；

S6：使用训练集，验证集和测试集对分割模型进行训练，验证优化及测试。

2.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，S1包括以下步骤：S1.1：对输入数据进行标准化、裁剪、数据增强的预处理；

S1.2：将预处理后的数据划分成训练集、验证集以及测试集。

3.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，S2包括以下步骤：S2.1：采用三种大小的卷积核构建三个特征提取分支；

S2.2：在各个分支上对特征进行分解和细化；

S2.3：将三个分支的特征进行融合，构建多尺度分解残差卷积模块；

其中，S2.2包括以下步骤：

将一个传统的3D卷积核分解为两个伪3D卷积核的连接，在两个被分解的卷积块之间，利用残差连接以防止特征在提取过程中的信息丢失，最后通过一个1×1×1的卷积进一步细化特征，特征提取过程具体的方式为：Fi＝Conv1×1×1(Conv1×i×i(Convi×i×1(F))+Convi×i×1(F))其中，S2.3包括以下步骤：

将三个分支的特征进行逐像素相加融合，该操作具体的方式为：Fout＝Fi1+Fi2+Fi3

Fout为模块的输出。

4.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，S3包括以下步骤：S3.1：将浅层与中层特征进行聚合，生成初步聚合特征；

S3.2：将中层、初步聚合以及深层特征进一步聚合，构建跨层特征聚合模块；

其中，S3.1包括以下步骤：

对浅层特征Fs和中层特征Fc使用卷积操作，将浅层特征映射到与Fc相同尺寸的特征图，然后与Fc逐像素相加，并通过卷积操作整合特征并减少通道数，使用Sigmoid操作计算图像注意力，最后通过逐元素相乘将注意力图分配在Fc图像上，该操作具体的方式为：其中，σ1表示Relu操作，σ2表示Sigmoid操作，中i表示卷积核大小，m表示输入通道数，n表示输出通道数，Fc’为融合后特征；

其中，S3.2包括以下步骤：

对Fc’，Fc和Fd使用卷积操作，将Fc’和Fc映射到与Fd相同尺寸的特征图，然后将Fc’，Fc和Fd逐像素相加，并通过卷积操作整合特征并减少通道数，将特征图进行转置卷积以保证输出和输入特征图大小一致，使用Sigmoid操作计算图像注意力，最后将注意力图分配在Fc’图像上，计算流程如下所示：其中，ConvTrans为转置卷积，Fc”为最终融合结果。

5.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，S4包括以下步骤：S4.1：将输入特征沿不同方向进行转置，形成四个分支；

S4.2：在四个分支上分别对四个维度进行注意力建模，生成增强后特征；

S4.3：将四个分支增强后特征进行融合，构建四重维度注意力模块；

其中，S4.2包括以下步骤：

在轴位、冠状位、矢状位和通道四个维度上建模注意力，四个分支分别进行注意力建模，输入特征为FA，通过平均池化和标准差池化对特征进行池化操作，得到两个池化结果Favg和Fstd，并将它们进行自适应聚合，生成新的特征张量FA’，该操作具体的方式为：Favg＝AvgPool(FA),Fstd＝StdPool(FA)其中α和β是(0，1)范围内的可训练参数，通过卷积来捕获为维度中特征之间的相互作用，随后使用Sigmoid激活函数来生成轴位方向上注意力权重AA，最后，将注意力权重AA通过逐元素乘法运算在FA’上，从而得到轴位上增强后的特征图该操作具体的方式为：FA”＝Conv(FA’)

AA＝σ(FA”)

σ表示Sigmoid操作，⊙表示逐像素相乘，其他三个分支的操作与轴位方向的处理相同，分别在冠状位、矢状位和通道维度上进行注意力建模，最后将注意力图应用于对应的特征图，以生成增强后的特征；

其中，S4.3包括以下步骤：

四个分支通过平均求和操作融合得到模块的输出，该操作具体的方式为：其中，和分别表示为在冠状位、矢状位以及通道方向上注意力增强后的特征，F’表示整个模块的输出。

6.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，其特征在于，S5包括以下步骤：以3D U型网络作为基础架构，将多尺度分解残差卷积模块嵌入在编码器和解码器中提取特征，在跳跃连接中加入跨层特征聚合模块聚合多层特征，在解码器中使用四重维度注意力模块对聚合后的特征进行增强，构成MSLQA-Net模型。

7.根据权利要求1所述的一种基于MSLQA-Net的轻量化脑肿瘤分割方法，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。