1.一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：所述方法预处理数据集后，建立神经网络；

所述神经网络以ResNet基线模型作为主干网络，用于特征提取，配合主干网络嵌入非局部模块，配合主干网络的输出端设置注意力模块；

所述主干网络为归一化的ResNet基线模型，对输入的数据以BatchNorm归一层进行归一化操作，再对数据进行缩放和平移操作；以式(1)计算第 层第 个节点的输出，              (1)

其中， 为输入的第 层第 个节点的值， 为 构成的行向量，和 分别为该行的均值和标准差， 为缩放参数， 为平移参数， 为防止除零引入的修正项，BN为BatchNorm归一化；

配合所述主干网络嵌入非局部模块时，计算每个位置的特征与所有具有关联特征位置之间的配对的加权和，按式(2)计算，                      (2)其中， 是输入特征图， 是特征图像中的像素位置索引，即 、 分别表示第 行特征像素， 是具有有限F‑范数的亲和核， 表示线性嵌入，定义为， ， 和 分别为输入特征和传递特征的通道数；N是每个要素的总位置；

以式(3)计算 ，表示第 行的输出特征像素，                     (3)其中，  为权重矩阵；

引入非局部运算符的矩阵形式，得到，

                 (4)                          (5)其中， 是亲和矩阵， 由像素之间的成对相似性组成， 是包含M个顶点的对角矩阵， 是通过与 进行线性变换来压缩 的通道传递特征映射， 和 分别用于滤除鉴别特征和恢复通道数的两个参数矩阵；

得到，

          (6)

其中， 是光谱视图中的非局部算子，以gθ将WS1分解为一组图滤波器；缩写为；

按式(7)对式(6)以对称亲和矩阵调整对称性，，

          (7)

其中， 是该非局部算子， 、 是两个参数矩阵, 这里的 则表示对称亲和矩阵，而 依旧由像素之间的成对相似性组成；

以预处理后的数据集对神经网络进行训练，直至神经网络稳定；

向稳定后的神经网络输入待诊断图像，对肠道疾病进行辅助诊断。

2.根据权利要求1所述的一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：所述数据集为图像数据集，预处理为对数据集进行整理与标注。

3.根据权利要求1或2所述的一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：所述数据集 ，其中， 为样本总数，xi为输入图像的三个通道像素值构成的特征向量， ；对应任一xi输出样本类别标签 ，样本 为；

以类别标签 的值为0表示正常、值为1表示息肉病灶、值为2表示溃疡病灶。

4.根据权利要求1所述的一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：所述注意力模块如式(8)所示，                 (8)其中， 和 是预设批量 的平均值和标准差， 和 是可训练的仿射变换参数，以式(9)得到输出特征 ，                (9)

其中， 是每个通道的比例因子，权值为 ，经过Sigmoid激活函数之后输出类概率分数Prob.score。

5.根据权利要求4所述的一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：以式(10)在损失函数中添加正则化项，          (10)

其中， 表示计算的预测结果， 表示输入， 表示输出， 为网络权重， 是损失函数， 为L1范数惩罚函数， 则是平衡惩罚函数的系数， 。

6.根据权利要求1所述的一种基于非局部模块与注意力机制的肠道疾病辅助诊断方法，其特征在于：以 表示输入样本为 时的注意力分支损失，以 表示输入样本为 时的感知分支损失，总损失函数 表示为式(11)，                (11)以式(12)计算准确率Accuracy、式(13)计算敏感度Sensitivity、式(14)计算特异度Specificity，用于评估模型的性能直至获得最优，            (12)

                (13)                (14)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。