1.一种基于显著性图引导和不确定性语义增强的息肉分割方法，其特征在于，包括以下步骤：步骤S1、获取待分割的医学图像 ；

步骤S2、将图像 输入到PVT主干编码子网络中，提取出三个特征图 、 、 和一个显著性图 ；

步骤S3、将特征图 、 、 分别输入到二阶池化卷积注意力子网络SPA中得到图像、 、 ；

步骤S4、显著性图 通过不确定性语义增强子网络UAA引导特征图 得到 ，并通过逐点相加引导 得到显著性图 ；显著性图 通过不确定性语义增强子网络引导特征图得到 ，并通过逐点相加引导 得到显著性图 ；显著性图 通过不确定性语义增强子网络引导特征图 得到 ，并通过逐点相加引导 得到显著性图 ；

所述的不确定性语义增强子网络，包括：

S41.令输入的显著性图为 ，大小为 ，上采样为 的显著性图 ，令输入的特征图为 , 其大小为 ；

S42.对显著性图 计算前景图 、背景图 和不确定区域图 的表征向量,计算公式如下：；

S43.对大小为 的显著性图 、 和 做通道连接并重塑为大小的特征图 ；

S44.将特征图 经过 卷积进行特征融合，并重塑为 大小的特征图；

S45.将特征图 的与特征图 每个区域图汇总，做矩阵乘法并在通道维度拼接得到大小为 的特征图 ，汇总过程可定义为：，

，

其中 、 和 分别表示前景区域、背景区域和不确定区域特征向量， 表示矩阵乘法；

S46.将特征图 和 分别经过 卷积进行特征融合，然后做矩阵乘法得到大小为的特征图 ，以计算每个特征向量与输入特征图 中的每个像素之间的相似度，定义为：，

, ,  ，

其中 表示逐点卷积， 、 和 表示对应特征向量 、 、和 与输入特征图中的每个像素之间的相似度， 、 和 表示对应特征向量 、 、和 的相似度得分，；

S47.将特征向量 、 、和 经过权重矩阵与相似度得分 、 和 相乘的结果相加，然后通过 卷积得到上下文特征图 如下：，

其中 为权重矩阵；

S48.将上下文特征图 和输入特征图 相对于通道方向进行拼接，并进行逐点卷积得到大小为 的不确定性语义增强子网络输出特征图 ；

步骤S5、将显著性图 经过2倍双线性插值上采样和Sigmoid函数得到医学图像 的最终预测分割结果 。

2.如权利要求1的基于显著性图引导和不确定性语义增强的息肉分割方法，其特征在于：步骤S3中，二阶池化卷积注意力子网络SPA，包括：S31.令输入的特征图为 ，其大小为 ，其中 、 和 分别是特征图 的高度、宽度和通道数；

S32.将 通过 和 两个线性层投影成大小为 的特征 ，对于给定空间位置 ，令 表示以空间位置 为中心的大小为 的局部窗口内像素值的集合， 可定义为：；

其中 表示正方形局部窗口的边长， 表示局部窗口内像素值相对空间位置 在横坐标上的偏移量，表示局部窗口内像素值相对空间位置 在纵坐标上的偏移量，表示局部窗口内某一点的像素值；

S34.将 输入到二阶池化模块中，对 使用 卷积将通道数缩减到 ；

S35.计算两两通道相关性，得到一个具备明确物理意义的协方差矩阵 ，即第 行表示第 通道与所有通道间的统计相关性；

S36.将协方差矩阵进行逐行卷积，得到一个 的权值向量，再通过线性投影成大小为 的权值 ，对于给定空间位置 ， 是大小为 的局部窗口内的权值；

S37.将 经过 操作后与 做多头自注意力操作得到局部窗口的深层特征 ， 定义为：；

S38.将 经过加权平均密集聚合，得到大小为 的二阶池化卷积注意力子网络的深层特征输出 ，其中对于给定空间位置 的深层特征输出 可定义为：；

其中 表示给定空间位置 周围局部窗口内的深层特征相对该位置在横坐标上的偏移量，表示给定空间位置 周围局部窗口内的深层特征相对该位置在纵坐标上的偏移量， 表示空间位置 上的深层特征。