1.一种智能化医学影像分析方法，其特征在于，所述方法包括：S1：获取待诊断图像以及若干历史病例图像，构建病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，所述病例图像泛化模型以历史病例图像为输入，以变异病例图像集合为输出；

获取待诊断图像以及若干历史病例图像，并构建病例图像泛化模型，包括：获取待诊断图像I以及若干历史病例图像，其中历史病例图像为用于对待诊断图像进行图像匹配的候选图像，所采集历史病例图像的表示形式为：；

其中：

表示历史病例图像数量；

表示所获取第n张历史病例图像；

构建病例图像泛化模型，利用病例图像泛化模型对历史病例图像进行泛化处理扩大病例适用范围，得到变异病例图像集合，其中病例图像泛化模型包括输入层、图像泛化层以及输出层，输入层用于输入历史病例图像，图像泛化层用于对历史病例图像进行泛化映射处理，输出层用于将历史病例图像的泛化映射处理结果作为变异病例图像进行输出；

为变异病例图像进行输出；

利用病例图像泛化模型对历史病例图像进行泛化处理，得到变异病例图像集合，包括：利用病例图像泛化模型对历史病例图像进行泛化处理，其中历史病例图像 的泛化处理流程为：S11：输入层接收历史病例图像 ，并将历史病例图像 传输至图像泛化层；

S12：图像泛化层对历史病例图像 进行M次泛化映射处理：；

其中：

表示历史病例图像泛化次数；

表示历史病例图像 的第m次泛化映射处理结果；

表示非线性映射函数；

表示第m次泛化映射处理模板；

表示hadamard积运算符；

S13：输出层将历史病例图像的泛化映射处理结果作为变异病例图像进行输出，构成历史病例图像 的变异病例图像集合： ；

S2：构造医学图像诊断模型，提取变异病例图像集合中变异病例图像的稳定语义特征，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征；

利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，包括：利用医学图像诊断模型提取变异病例图像集合中变异病例图像的稳定语义特征，其中变异病例图像集合 中变异病例图像 的稳定语义特征提取流程为：S21：输入层接收变异病例图像 ；

S22：深度语义特征提取层分别提取变异病例图像 的自注意力特征 与多尺度局部感知特征 作为深度语义特征 ：；

；

；

其中：

T表示转置；

分别表示深度语义特征提取层中的卷积权重矩阵；

D表示 的维度；

表示分别利用 像素大小的卷积

核对变异病例图像 进行卷积处理，得到的三种尺度下的局部感知特征；

S23：稳定语义特征构造层将深度语义特征 构造为变异病例图像 的稳定语义特征：；

 ；

其中：

 表示利用 像素大小的卷积核对变异病例图像进行卷积处理，得到的局部感知特征;表示变异病例图像 的稳定语义特征；

表示ReLU激活函数；

表示以自然常数为底的指数函数；

表示使得 达到最大的参数 ，其中 ；

S3：构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块；

S4：对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。

2.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S2步骤中构造医学图像诊断模型，包括：构造医学图像诊断模型，所述医学图像诊断模型以变异病例图像为输入，融合全局的自注意力特征与多尺度局部感知特征，得到变异病例图像的稳定语义特征，其中医学图像诊断模型包括输入层、深度语义特征提取层以及稳定语义特征构造层，输入层用于接收变异病例图像，深度语义特征提取层用于分别提取变异病例图像的自注意力特征与多尺度局部感知特征作为深度语义特征，稳定语义特征构造层用于将深度语义特征构造为变异病例图像的稳定语义特征。

3.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S3步骤中构造深层语义特征提取网络模型，提取待诊断图像的深层语义特征，包括：构造深层语义特征提取网络模型，利用深层语义特征提取网络模型提取待诊断图像I的深层语义特征，其中深层语义特征提取网络模型包括多尺度特征提取网络模块、语义提取网络模块和语义理解网络模块，多尺度特征提取网络模块用于接收待诊断图像，并对待诊断图像进行多尺度卷积残差处理，生成待诊断图像的多尺度特征图，语义提取网络模块用于将多尺度特征图转换为深层语义特征向量，语义理解网络模块用于对深层语义特征向量进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征；

基于深层语义特征提取网络模型的待诊断图像I深层语义特征提取流程为：S31：多尺度特征提取网络模块接收待诊断图像I，对待诊断图像I进行多尺度卷积残差处理，其中多尺度卷积残差处理公式为：其中：

表示待诊断图像I在第u个尺度下的卷积残差处理结果，U表示最大卷积残差尺度；

表示待诊断图像I在第u‑1个尺度下的卷积残差处理结果；

表示利用 像素大小的卷积核进行的卷积操作；

根据多尺度卷积残差处理结果，生成待诊断图像I的多尺度特征图：；

 ；

其中：

表示 非线性函数；

表示待诊断图像I的多尺度特征图；

表示待诊断图像I在第u个尺度下的特征图；

表示最大池化操作， 表示平均池化操作，表示特征拼接处理符号；

S32：语义提取网络模块将多尺度特征图 转换为深层语义特征向量： ；

其中：

表示多尺度特征图 对应的深层语义特征向量；

表示对特征图进行六次深度可分离卷积处理以及三次最大池化操作；

S33：语义理解网络模块对深层语义特征向量 进行结合上下文的语义感知处理，生成待诊断图像的深层语义特征 ：；

其中：

W表示语义理解网络模块的权重参数矩阵；

表示ReLU激活函数；

表示待诊断图像I的深层语义特征。

4.如权利要求1所述的一种智能化医学影像分析方法，其特征在于，所述S4步骤中对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案，包括：对待诊断图像的深层语义特征和变异病例图像的稳定语义特征进行相似度计算，其中深层语义特征 与稳定语义特征 的相似度计算公式为：；

其中：

表示深层语义特征 与稳定语义特征 的相似度；

表示L1范数；

选取相似度高于指定阈值的变异病例图像所对应的历史诊断病例作为待诊断病例的参考，辅助医生确定诊疗方案。