1.一种基于无归一化深度残差与注意力机制的肠道病灶辅助诊断方法，其特征在于，所述方法包括以下步骤：

步骤1：输入图像数据集X＝{x1,x2,...,xn}，其中，X矩阵表示数据集，n表示总样本数

224×224×3

量，xi∈R 表示输入图像三个通道像素值构成的特征向量，xi表示样本i，yi表示样本类别标签，其值为0表示正常，其值为1表示息肉，其值为2表示溃疡，当训练出一个分类模型后，以图像的特征向量xi为输入，预测输出的结果标签是0，1还是2，从而可以判断图片中是否正常、有息肉或者有溃疡；

步骤2：采用无归一化的ResNet基线模型的前四层作为特征提取器，从输入图像提取特征，输出特征图，特征提取器的后三层由多个引入Scaled Weight Standardization的残差块串联而成；

利用的主干网络在初始化的时候抑制残差分支，并使用Scaled Weight Standardization来消除均值偏移现象，确保残差分支保持方差，消除Batch维度内训练样本之间的相关性，这确保了网络具有ReLU激活函数的同时每通道激活函数不会随网络深度的增长而丢失信号，使网络训练和推理阶段偏差较小；Scaled Weight Standardization与中心权重标准化密切相关，其重新参数化卷积层，如下：其中的均值μ和方差σ是通过卷积滤波器的扇入范围计算的，用高斯权值初始化底层参数W，而γ是一个固定常数，在整个训练过程中，将这种约束作为网络前向传播中的可微操作；

步骤3：注意力分支结构和作用以及注意力图的生成过程如下：

3.1由于肠道图像中病灶边缘与正常组织壁边界模糊，构建一个注意力分支来聚焦病灶区域，其卷积层Convolution Layers是用残差块来构建的，残差块的第一个3×3卷积层的步幅设置为1，以保持特征图的分辨率；为了可以在前向传播过程中可视化注意力图，通过引入基于响应的视觉解释模型来应用注意力，构建一个注意力分支结构，生成注意力图，注意力图中的高亮位置就是聚焦病灶区域的位置，通过引入此注意力分支，网络在聚焦于图像重要位置的同时被训练，并提高了其分类性能；

3.2为了生成注意力图，注意力分支基于类激活映射CAM构建顶层，该顶层由卷积层和全局平均池化GAP组成，CAM是一个代表性的基于响应的视觉解释，可以使用卷积层的响应获得每个类别的注意力图，然而，CAM在训练过程中不能生成注意力图，因为注意力图是在训练后通过将K×H×W特征图的加权和与最后一个全连接层的权重相乘生成的；提出利用一个K×1×1卷积层来代替全连接层，经过K×1×1卷积层后，再利用GAP和Softmax函数输出类概率分数Prob.score，同时，注意力分支用K×H×W特征图生成注意力图，为了聚集K个特征图，将这些特征图用1×1×1卷积层卷积，生成1×H×W特征图，再用Sigmoid函数对1×H×W特征图进行归一化，生成注意力图；

步骤4：注意力机制将注意力图应用于特征提取器输出的K个特征图，并输出K个特征图g'(xi)，g(xi)是特征提取器输出的特征图，M(xi)是注意力分支输出的注意力图，g'(xi)是注意力机制输出的特征图，输入到感知分支；注意力机制在特定通道C上将注意力图M(xi)和特征图g(xi)作点积，再将点积结果与特征图g(xi)求和，得到g'(xi)，这可以在注意力图的峰值处突出显示特征图，同时防止注意力图的较低值区域降为零，g'(xi)表示为式(2)，感知分支接收从注意力机制输出的特征图g'(xi)，输入到分类器Classifier的卷积层，再利用Softmax激活函数输出最终类概率分数Prob.score；

g'(xi)＝(1+M(xi))·g(xi)                    (2)

步骤5：使用注意力分支和感知分支两个分支的损失之和L(xi)，作为训练损失，通过Softmax函数和交叉熵的结合来计算每个分支的训练损失，用Latt(xi)表示输入样本为xi时的注意力分支损失，Lper(xi)表示感知分支损失，总损失函数L(xi)表示为式(3)，训练时，将

224×224的肠道图像输入到特征提取器，使用Adam优化器优化参数，StepLR机制调整学习率，结合损失函数对网络进行端到端的训练，得到最优的模型，再输入测试集图像对最优模型进行检验，使用准确率Accuracy，敏感度Sensitivity，特异度Specificity三个指标来评估最优模型的性能，三个指标分别表示为式(4)，式(5)，式(6)；

L(xi)＝Latt(xi)+Lper(xi)                       (3)

其中，TP、TN、FP、FN分别表示真阳性、真阴性、假阳性、假阴性的数量。