1.一种融合多尺度残差注意力的医学图像分割方法，其特征在于，包括：

S1：收集数据集，对收集的数据集进行预处理，将预处理后的数据集按8：1：1划分为训练集、验证集和测试集；将S1得到的测试集图像输入至S3训练好的具有最优训练参数的整体目标函数模型L，生成分割结果并保存图像；

S2：对S1划分出的训练集进行数据增强，实现对训练集的扩展，所述的数据增强的具体方法为：采用0.5的概率对训练集图像进行随机垂直翻转、随机水平翻转和随机90°旋转进行数据增强，并采用多尺度策略通过对图像进行缩放来进行训练，其中，多尺度包括：0.75、

1以及1.25；

S3：将S2得到的训练集输入至多尺度残差注意力网络中进行迭代训练；经过S1得到的验证集验证后得到具有最优训练参数的整体目标函数模型L，所述的多尺度残差注意力网络的具体内容和设计方法是：多尺度残差注意力网络由编码器和解码器组成，共有5层，在编码器部分利用压缩的双卷积负责提取图像的特征，结合多尺度思想、残差思想和注意力机制在解码器设计多尺度残差注意力模块，从通道层面关注关键区域，抑制无关特征，在控制参数量的情况下有效的提高网络的特征获取能力，进一步提高分割精度；通过解码器，最终生成最优的分割结果图；其中所述编码器部分，压缩的双卷积是对原U‑Net网络的双卷积部分进行改进；方法是：首先对第一个3×3卷积先降维到原通道数的1/4，其次将第二个3×

3的卷积升维到原通道数的2倍；通过压缩双卷积中间的通道数达到减少参数量的目的；所述在解码器设计多尺度残差注意力模块的具体内容和方法是：对于输入图像X，图像尺寸为C×H×W，C表示通道数，H表示高度，W表示宽度，为减少参数量，先通过一个1×1卷积对输入特征进行降维，得到C/8×H×W特征图f1，随后f1通过并联的三分支结构得到特征图f2，f3和f4，三个分支结构分别包含一个3×3卷积，两个3×3卷积和三个3×3卷积；使用多分支结构利用多尺度信息提取更丰富的图像特征，并将三个特征图进行拼接，获得更好的特征表示；

融合三个分支得到的特征图f2，f3和f4获得特征图f5后，为了追求更高的分割精度，使用通道注意力SE模块自适应调整不同通道的权重，SE模块赋予包含丰富有用信息的通道更大的权重, 能更有效的关注特征图中的目标区域；同时网络对SE模块的全连接部分同样进行了缩减，将通道数降至C/6，进一步减少了网络的参数量；通过一个3×3卷积操作得到特征图f6；每次卷积运算后都执行批归一化和ReLU函数；最后将输入图像X通过跳跃连接和特征图f6相加，得到最终的输出；为了提高医学图像分割的准确性，降低真实值和预期值之间的损失，使用像素位置感知损失(PPA loss)作为损失函数，损失函数定义为： ，其中， 和 分别表示基于全局约束和局部约束的加权IoU损失和二进制交叉熵(BCE)损失，加权IoU目标是优化全局结构，平等对待所有像素，并忽略像素之间的差异，与IoU损失不同，加权IoU通过加强难样本像素的权重来突出其重要性， 可以为每个像素都指定一个权重α，难样本像素对应较大的α，而简单样本像素将被分配一个较小的α。

2.根据权利要求1所述的一种融合多尺度残差注意力的医学图像分割方法，其特征在于，步骤S1中，所述的数据集为至少1个私有的超声胎儿小脑数据集和3个公共的生物医学数据集，即息肉数据集、细胞核数据集和皮肤癌病灶数据集。

3.根据权利要求1所述的一种融合多尺度残差注意力的医学图像分割方法，其特征在于，步骤S1中，所述的对收集的数据集进行预处理是将所有数据集的输入尺寸都设置为

352*352。