1.基于有效学习的端到端的结直肠息肉分割方法，其特征在于，该方法包括以下步骤：步骤1：对初始结直肠CT图像数据集进行数据预处理；

步骤2：根据选用的网络结构进行网络搭建；

步骤3：准备训练集，让数据预处理后的直肠CT图像数据集在搭建好的网络上进行训练，获得初始直肠CT图像分割模型；

步骤4：通过有效学习损失函数衡量直肠CT图像分割模型预测的好坏；

步骤5：使用最小化有效学习损失函数的方式不断优化网络分割模型，最后得到是分割结果达到最优的网络模型；

所述步骤2中，选用U‑net网络结合完全连接的条件随机场递归神经网络的网络模型用于结直肠息肉分割；把U‑net和CRF‑RNN结合在一起作为一整个深度网络进行训练，U‑net输出每个的像素点属于每个类别的概率值，即标签分数图，把此标签分数图作为能量方程的一元势函数；把迭代条件随机场CRF推断作为循环神经网络RNN，在每次迭代中的平均场中使用高斯空间和双边滤波器作近似值，分类结果为两类：目标区域和背景，网络最后使用Sigmoid激活函数；

有效学习损失函数的设计如下：

结合Focal因子和边界感知因子得到适用于占比不平衡且对边缘像素敏感的目标损失函数——有效学习损失函数，损失函数表示为：其中fi(x)为像素i预测属于目标区域的概率，则取(1‑fi(x))为表征难以程度的调节因r子，此时使用(1‑fi(x)) 加权会增强训练误差在损失函数中的贡献，r为权值，大于0；wE是边界感知因子，给与边缘像素更多的关注以提高轮廓分割的精度；N是图像中像素的总个数；

在边界感知因子中， 和 是像素i的水平、垂直和对角线梯度；如果

的值大于阈值ξ，则将像素i作为边缘像素，Θ(*)为指标函数，w0为权重值。

2.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤1中，对图像进行尺寸归一化处理，针对训练数据使用翻转、旋转、对比度增强、噪音扰动数据增强手段增加数据量。

3.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤3中，准备标注集，根据U‑net网络输入格式设计标注集；标注好的数据中5/6用来做训练集和验证集，训练集和验证集的比例是9:1，其余数据作为测试集；将训练集在设计好的网络模型上训练，获得初始模型M。

4.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤4中，把训练好的模型M应用到验证集上，通过有效学习损失函数衡量该网络模型预测的好坏。

5.根据权利要求1所述的基于有效学习的端到端的结直肠息肉分割方法，其特征在于，所述步骤5中，使用Adam自适应优化算法对有效学习损失函数进行最小化，并用反向传播的方式更新网络参数，优化网络分割模型。