1.一种基于多尺度信息与并行注意力机制的深度学习肠道息肉分割方法，其特征在于，所述方法包括以下步骤：

步骤1：获取待分割图片：实验数据集是来自公开的息肉数据集CVC‑ClinicDB，包含各种类型、形状和颜色的息肉图片；

步骤2：利用Res2Net深度卷积神经网络模块与二重压缩激励模块作为编码器提取图像的特征；

在进行特征编码时，通过建立4个分支并且建立分支间的联系以细化通道特征，并再此基础上并通过改进后的压缩激励操作进一步模拟通道间的相互依赖关系来重新校准特征响应，这样一来能更好地利用多尺度信息以达到更好的特征提取效果；进行编码后最终得到五个层次的特征{fi,i＝1,2,…,5}，其中{fi,i＝1,2}表示为浅层特征，{fi,i＝3,4,5}表示为深层特征；

步骤3：在解码前通过多尺度空洞空间金字塔池化模块进一步利用多尺度特征来捕获上下文信息；

以空洞卷积为基础，采用扩张率rate分别为6、12、18的三个并行空洞卷积核对输入特征图进行空洞卷积操作，每个扩张率提取的特征将在各自的分支中建立分支间的相互联系，并通过激活函数与批归一化的方式进一步处理，最终对三个特征进行堆叠融合；

步骤4：通过PD模块进行解码，生成全局特征图Sg；

在解码部分采用了部分解码器pd(·)，它在skip‑connection部分仅聚合了深层特征而舍弃了浅层特征，部分解码器的特征按PD＝pd(f3,f4,f5)来计算，解码器输出获得全局特征图Sg；

步骤5：通过反转注意力模块建立区域与边界线索之间的关系，获取完整的预测结果；

使用了三个RA模块，第一个RA模块的输入为深层特征f5与经过降采样后的全局特征图Sg，并用上述方式分别获取到检测图S5，接下来用相同的方式获取到S4、S3，其中特征图S3通过一个Sigmoid函数获得最终预测结果；

步骤6：网络模型的训练策略的过程如下：

6.1首先获取并划分数据集；

6.2考虑到显存利用率，图片在输入网络前会通过降采样或升采样，在保持图片长宽比例不变的情况下将图片长度调整为256；

6.3训练过程中的梯度下降算法选用了Adam算法；

6.4选用的损失函数结合了加权交并比损失与二进制交叉熵损失，表示为：其中 表示加权交并比损失， 表示全局约束与局部约束(像素级)的二进制交叉熵损失。

在训练过程中，对于步骤4中获取的全局特征图Sg以及步骤5中获取的三个局部特征图S5、S4、S3均上采样到与真实Mask相同尺寸大小，计算总体损失：并进行反向传播以更新网络参数。