1.一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，包括以下步骤：(1)准备数据集，分为训练和测试数据集；

(2)利用残差模块作为编码器提取图像的特征；

(3)利用双重挤压激励模块增强瓶颈层对高级特征的提取能力；

(4)在解码器使用通道和空间组合的注意力模块，从通道和空间两个层面上关注关键区域，从提取到的特征选择最相关的特征，抑制不相关的特征，提高分割精度；此外使用跨层融合的方式，捕获上下文信息，细化分割的边界，通过解码器，最终生成全局预测图Sg；

所述通道和空间组合的注意力模块，通过并联和嵌套两种方式将通道注意力和空间注意力融合使用；整个模块分为a,b,c三路，在通路a中，首先将输入的特征通过一个双重挤压激励模块模块进行特征增强，生成特征图Mc，然后将Mc进行两次3×3的卷积实现非线性变换，再次使用双重挤压激励模块模块进行特征增强，得到权重矩阵Mv；在通路b中，特征图进行一次1×1的卷积操作，其通道数降为原来的一半，然后再进行批归一化和一个1×1的卷积操作，通道数降为1，最后由Sigmoid函数得到空间权重Mq；在通路c中，特征图经过两次3×3的卷积操作后，通道数减半，然后再经过一个双重挤压激励模块模块处理，生成特征图Mk，通过点乘的方式，将通路b中得到的特征权重Mq与通路c中得到的特征图Mk相乘，为Mk的每个通道中各个像素分配权重，生成特征图Ms，再利用矩阵乘法，将Ms与通路a中得到的特征图Mv结合起来，生成新的特征Matt，然后，选用Matt作为权重矩阵，通过点乘的方式与Mc相乘，得到Mr，最后通过特征融合的方式，将Mc与Mr结合起来，形成该层的分割结果Mfinal，用公式可以表示为：Mfinal＝concat(Mr,Mc)      (1)

其中，Mc和Mr分别表示为：

Mc＝d(x)    (2)

Mr＝Mc·Matt (3)

Matt又可以表示为：

Matt＝(Mq·Mk)×Mv (4)

其中M表示特征图，concat(·,·)表示连接操作，d(·)表示DSE操作，·表示矩阵内积，×表示矩阵外积；

(5)在瓶颈层和解码器部分，通过深监督对网络输出进行监督，在每层生成预测结果S2～S6；

(6)进行网络模型训练；

所述步骤(3)中双重挤压激励模块，分为两个阶段：在第一个阶段中，使用全局平均池化，生成权重向量 再使用一个1×1的卷积对 进行非线性变换，其中每一个卷积之后都进行了批归一化和ReLU激活函数处理，用sigmoid函数对权重进行归一化处理，以点乘的方式对输入特征进行加权，得到特征图Mavg；在第二个阶段，对上一个阶段产生的Mavg进行全局最大池化，生成权重向量 然后通过一个1×1的卷积和Sigmoid函数，进行再次加权，得到新的特征Mmax，抑制无效信息的提取。

2.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(1)具体为，准备数据集Kvasir‑SEG和CVC‑ClinicDB，并且按照9:1的比例将Kvasir‑SEG和CVC‑ClinicDB随机分为训练和测试数据集；准备数据集CVC‑ColonDB,ETIS‑LARIBPOLYPDB和CVC‑T，作为测试数据集。

3.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(2)中残差模块，首先使用一个1×1的卷积对输入特征进行通道变换，得到特征图M1，然后对M1进行两次3×3的卷积操作，得到特征图M2，每一次卷积操作之后均经过批归一化和ReLU激活函数，最后将M1与M2相加，得到最终的特征图MRB。

4.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(6)中网络模型的训练过程如下：(6.1)首先准备数据集Kvasir‑SEG和CVC‑ClinicDB，并且按9:1划分为训练集和测试集；准备数据集CVC‑ColonDB,ETIS‑LARIBPOLYPDB,CVC‑T，作为测试数据集；

(6.2)对数据集中的数据进行增强，并设置输入的图像尺寸为352×352；

(6.3)使用Adam方法作为优化器，并设置初始学习率为1e‑4，在60个epoch后，将学习率降为1e‑5；

(6.4)使用结合了加权交并比损失和二进制交叉熵损失作为损失函数，表示为：

在训练过程中，对于步骤(4)中生成的全局预测图Sg和步骤(5)中的局部预测图S2～S6，计算总体损失：然后将其反向传播来更新网络参数。