1.一种基于局部和全局上下文信息编码的医学图像分割方法，其特征在于，所述基于局部和全局上下文信息编码的医学图像分割方法，包括：获取待分割的医学图像，进行预处理后输入到构建的分割网络模型，所述分割网络模型包括编码模块、特征提取模块和解码模块；

在编码模块中对预处理后的待分割医学图像依次经过四次卷积和最大池化操作，得到特征图F1、F2、F3、F4，将特征图F1、F2、F3经过自适应平均池化到与F4一样的尺寸后与F4进行连接，然后通过深度可分离卷积融合多尺度特征，输出编码特征；

在特征提取模块中，编码特征依次经过空洞注意力模块和和空间网格注意力模块，提取得到含有局部和全局上下文信息的特征图；

在解码模块中，将含有局部和全局上下文信息的特征图与特征图F1、F2、F3、F4通过像素重组操作，然后将像素重组操作输出的特征图进行拼接后输入一个卷积层，得到分割结果；

其中，所述空洞注意力模块，执行如下操作：

将编码特征输入到所述空洞注意力模块的第一DAM分支，所述第一DAM分支包括四个级联分支，第一个级联分支由一个3×3的普通卷积组成，第二个级联分支由一个空洞率为3的

3×3空洞卷积和一个1×1普通卷积组成，第三个级联分支由一个3×3的普通卷积、一个空洞率为3的3×3卷积和一个1×1普通卷积组成，第四个级联分支由一个3×3的普通卷积、一个空洞率为3的3×3卷积、一个空洞率为5的3×3卷积和一个1×1普通卷积组成，将每个级联分支得到的特征图与编码特征进行连接，得到第一特征图；对第一特征图进行SE操作后，与第一特征图相乘，然后经过1×1卷积，得到第一DAM分支输出的特征图；

将编码特征输入到所述空洞注意力模块的第二DAM分支，所述第二DAM分支执行展望注意力操作，得到第二DAM分支输出的特征图；

将第一DAM分支输出的特征与第二DAM分支输出的特征图相加，得到空洞注意力模块输出的特征图；

所述空间网格注意力模块，执行如下操作：

将空洞注意力模块输出的特征图输入到空间网格注意力模块的第一SGAM分支，所述第一SGAM分支执行稀疏的全局注意力操作，得到第一SGAM分支输出的特征图；

将空洞注意力模块输出的特征图输入到空间网格注意力模块的第二SGAM分支，所述第二SGAM分支执行空间注意力操作，得到第二SGAM分支输出的权重系数；

将第一SGAM分支输出的特征图与第二SGAM分支输出的权重系数相乘，得到含有全局上下文信息的特征图。

2.根据权利要求1所述的基于局部和全局上下文信息编码的医学图像分割方法，其特征在于，所述分割网络模型的损失函数，公式如下：；

其中，G表示真实图，S表示分割结果图，|G|和|S|分别表示G和S的元素的个数，|G∩S|表示G和S之间的交集。