1.一种基于多注意力与多任务特征融合的肺结节检测与分类方法，其特征在于，包括以下步骤：肺部CT扫描图像通过预处理，从而获取到用于训练的CT图像数据并将其划分为训练集和验证集，输入肺结节检测网络完成结节检测；

肺结节检测网络将会经过由六个block模块和一个SPCS模块构成的骨干网络输出512×512、256×256、128×128、64×64、32×32和16×16这六种不同尺度的特征图；

然后检测分支融合64×64、32×32和16×16这三个特征图输出预测结果，分别为目标置信度、x轴坐标、y轴坐标和肺结节直径；

而分割任务分支融合六种特征图，并通过卷积输出512×512、256×256、128×128这三种尺度下的语义分割图，并上采样到512×512的尺寸大小，最后通过卷积融合三者为最终的结果输出；

然后转换分割分支的结果，同检测分支的结果统一起来作为总的肺结节检测输出；

根据肺结节的检测结果裁剪相应肺结节的区域数据，由肺结节良恶性和患癌风险等级预测网络完成良恶性的判断和患癌风险等级的判断，最终输出。

2.根据权利要求1所述的基于多注意力与多任务特征融合的肺结节检测与分类方法，其特征在于，所述的骨干网络包括了三种注意力机制，分别为通道注意力机制，空间注意力机制以及自注意力机制。

3.根据权利要求1所述的基于多注意力与多任务特征融合的肺结节检测与分类方法，其特征在于，所述的多任务为检测任务和分割任务。

4.根据权利要求1所述的基于多注意力与多任务特征融合的肺结节检测与分类方法，其特征在于，所述的SPCS模块，为带自注意力机制的空间金字塔卷积，以骨干网络提取到的最深层特征图作为输入，通过一层卷积后，分为四条路径，一路作为捷径连结，另外三路分别通过5×5、9×9、13×13的卷积核卷积和自注意力，通过一层卷积融合这四路特征并输出，增强肺结节表示的辨识能力。

5.根据权利要求1所述的基于多注意力与多任务特征融合的肺结节检测与分类方法，其特征在于，所述的肺结节良恶性和患癌风险等级预测网络同样使用通道注意力机制，空间注意力机制，自注意力机制，并具有两个任务分支，一个为预测肺结节良恶性，另一个为预测患癌风险等级。