1.一种多尺度U型残差编码器与整体反向注意机制结合的肠道病灶分割方法，其特征在于，所述方法包括以下步骤：

352×352

步骤1输入数据集X＝{x1,x2,...,xn}，其中，X表示数据集中输入的样本，xn∈R ，n表示样本数量，将多尺度U型残差编码器作为主干网络对输入肠道病灶图像提取特征，然后引入MSR显著性检测深层特征，产生一个单通道初始预测图，过程如下：

1.1为了提取肠道病灶图像更丰富的局部和全局特征，将多尺度U型残差编码器作为主干网络对图像进行编码，提取各级特征Xi，i＝1,2,3,4,5，该主干网络M级，M＝1,2,3,4,5，其中第1、2级为低级层，第3、4、5级为高级层，该主干网络每级填充的RSU可以从逐步下采样的特征图中提取多尺度特征，并通过逐级上采样、级联和卷积将多尺度特征编码成高分辨率的特征图；

1.2多尺度U型残差编码器每级实现特征提取后通过下采样操作进入下一级网络；

1.3使用MSR显著性检测最高级层，即M＝5的多尺度特征X5，产生一个可靠的单通道初始预测图Nm，所使用的MSR不需要嵌入在单独的池化层之后，MSR模块由三个平行分支组成，每个分支共享相同的残差结构，但是膨胀率不同，并且每个分支都以迭代次数为N1的循环方式来实现增加感受野，从而在减少参数数量的同时产生可靠的初始预测结果；

步骤2，为了分割整个显著的肠道病灶区域并细化更精确的边界，在考虑到浅层特征为构建肠道病灶区域边界保留了空间细节的基础上，使用HA增强浅层特征F2，从而产生一个单通道增强的初始预测图Np；

步骤3，将增强的初始预测图Np馈送到可建模边界的RA，同时由高级层的侧输出特征Xi自适应学习RA，i＝3,4,5，产生三个侧输出Ni，i＝3,4,5，将其中的侧输出N3馈送到Sigmoid函数产生最终预测图No，并且采用mask真实图对三个侧输出Ni和增强的初始预测图Np进行深度监督，i＝3,4,5；

步骤4，输入设定数量的给定像素的肠道病灶图像对模型训练得到训练参数，再用训练的参数，输入分割数据集图像进行测试得到最终的分割结果。

2.如权利要求1所述的多尺度U型残差编码器与整体反向注意机制结合的肠道病灶分割方法，其特征在于，所述1.1中，主干网络每级处理特征过程分为三个阶段：第一阶段，主干网络每级填充的RSU的输入卷积层对输入特征图x转换成一个中间特征图Fi(x)；第二阶段，以中间特征图Fi(x)为输入，学习提取和编码多尺度上下文信息得到U(Fi(x))；第三阶段，求和融合局部特征和多尺度特征：x＝Fi(x)+U(Fi(x))                            (1)。

3.如权利要求2所述的多尺度U型残差编码器与整体反向注意机制结合的肠道病灶分割方法，其特征在于，所述步骤2中，使用HA增强主干网络第二级提取的特征X2，获得增强后的初始预测图，该过程表示为：Np＝MAX(fmin‑max(Convg(F2,k)),Nm)                  (2)其中Convg(·)是具有高斯核k和零偏差的卷积运算，fmin_max(·)是使模糊特征图在[0,

1]范围中的归一化，MAX(·)是倾向于增加显著区域权重系数的最大函数。

4.如权利要求3所述的多尺度U型残差编码器与整体反向注意机制结合的肠道病灶分割方法，其特征在于，所述步骤3的过程如下：

3.1将高级层的侧输出特征Xi与反向注意权值Ai进行相乘，i＝3,4,5，各自产生一个输出特征Ri，该过程表示为：Ri＝Xi⊙Ai    (3)

3.2反向注意权值Ai经过一系列操作得到的，该过程表示为：

Ai＝ε(Θ(σ(ρ(Ni+1))))    (4)

其中ρ(·)是上采样操作，σ(·)是一个Sigmoid激活函数，Θ(·)是从元素都为1的矩阵E中减去输入的逆运算，ε是将单通道特征扩展到64个重复张量；

3.3侧输出N3馈送到Sigmoid函数产生最终预测图No，该过程表示为：No＝sigmoid(N3)    (5)

3.4采用mask真实分割图对主干网络高级层的侧输出Ni与增强的初始预测图No进行深度监督，i＝3,4,5。