1.一种基于CNN‑Transformer并行编码器的医学图像分割方法，其特征在于，使用卷积神经网络捕捉到局部信息，Transformer捕捉到远程全局信息；通过特征筛选，调整注意力的分布和去除无用信息；通过双层融合模块融合多尺度特征并输出，具体步骤为：步骤1，获取医学图像分割训练数据集，并对其进行预处理操作；

步骤2，建立由卷积神经网络与金字塔Transformer组合而成的类U‑Net图像分割网络模型；

步骤3，由卷积神经网络和Transformer组成的并行编码器进行特征提取，并取每一层的特征进行注意力筛选；

步骤4，将提取后的特征输入到解码器，依次进行上采样和特征融合；

步骤5，将解码器执行完成后的结果使用卷积将通道数调整为1，并使用上采样还原图像到原始大小，最终输出分割图；

步骤2中，类U‑Net图像分割网络模型由编码器和解码器两个部分组成，两者通过带注意力机制的跳跃连接结合；编码器，使用的是ResNet34和Transformer两条路径并行的编码策略；编码器跳跃连接部分使用CBAM和EMA注意力机制；解码器，使用双层融合模块进行特征融合和最终输出；

编码器共有两个分支，包括以ResNet34为基本骨干的卷积神经网络分支和金字塔Transformer分支；

对于卷积神经网络分支共有四个层次，其中第一层、第二层和第三层分别为多个残差块，对应的特征维度分别为128×56×56、256×28×28、512×14×14；第四层由两个卷积层构成，每个卷积层包括卷积、BN层和ReLU激活函数，卷积核大小均为3×3，步长均为2，最终的输出维度为1024×7×7；

对于金字塔Transformer分支，同样也分为四个层次；第一层采用一个patch大小为4的patch embedding层来对大小为3×224×224的输入图像进行操作；然后通过Transformer层处理得到的分辨率大小为320×56×56的特征图，以捕获其全局信息；第二、第三和第四层的结构相同，为了保存patch embedding中的详细信息，将patch大小减少到2，使用金字塔结构的Transformer编码器，依次对特征图进行8、16和32倍的下采样；

将编码器的第一层特征送入通道‑空间注意力机制CBAM中进行特征提取；

将编码器的第二层、第三层和第四层的特征送入高效多尺度注意力机制EMA中进行特征提取，第二层、第三层和第四层的特征经过EMA处理后，维度保持不变；

高效多尺度注意力机制EMA，使用一个多尺度并行子网络来建立长短依赖关系， 为输出特征，具体操作如下：

1×1 3×3

其中σ表示sigmoid激活函数，f 示卷积核大小为1×1的卷积操作，f 示卷积核大小为3×3的卷积操作，AvgPoolX表示在X轴方向上的全局平均池化，AvgPoolY表示在Y轴方向上的全局平均池化，Matmul表示矩阵乘法，AP表示全局平均池化操作。

2.根据权利要求1所述的方法，其特征在于，步骤1具体包括如下步骤：步骤1.1，使用ISIC2018、BUSI和Kvasir‑SEG作为数据集；对于每个数据集，样本按照8:

2随机划分为不相交的训练/测试集，取训练集的20％样本作为验证集；

步骤1.2，将数据集中的图像尺寸调整为224×224，对其进行数据增强操作，所述的数据增强操作方法为：对数据集图像进行90°旋转和水平翻转，执行数据增强的概率为0.5。

3.根据权利要求2所述的方法，其特征在于，通道‑空间注意力机制CBAM，包括两个部分，一是通道的注意力，二是空间的注意力；

CBAM可以用以下公式表示：

其中，F是特征图，Mc和Ms分别表示基于通道的和基于空间的注意力， 表示逐元素相乘，F′和F″分别表示进行了通道注意力和空间注意力后的输出特征图；

通道注意力机制Mc的具体操作如下：

其中σ表示sigmoid激活函数，W0和W1分别表示两个卷积操作， 和 分别表示平均池化和最大池化；

空间注意力机制Ms的具体操作如下：

7×7

其中f 表示卷积核大小为7×7的卷积操作；

第一层的特征X1经过CBAM处理后的特征为H1，大小为448×56×56。

4.根据权利要求3所述的方法，其特征在于，步骤4包括两个部分，一个部分为第二、第三和第四层特征的上采样融合，另一个部分为第一层和其他三个层次的特征融合；

步骤4.1，将第四层的特征映射X4上采样到与X3相同的大小，然后将上采样后X4分别通过两个卷积操作得到 和 然后，将 和X3相乘，并将结果与 拼接起来；最后，使用卷积操作对得到的特征进一步处理，得到融合的特征图X34，大小为128×14×14，该过程可概括为以下公式：X34＝f(Concat(f(X4)⊙X3,f(X4))) (5)其中⊙表示矩阵乘积，Concat(·)表示通道维度上的拼接操作，f(·)表示卷积操作；

步骤4.2，将X4，X3和X34上采样到与X2相同的大小，并分别使用卷积操作对得到的特征进一步处理；然后将处理后的X4和X3与X2相乘，并将结果与处理后的X34拼接起来；最后，将特征图送入两个卷积层中进行降维，得到特征图H2，大小为64×28×28，该过程可概括为以下公式：H2＝f(f(Concat(f(X4)⊙f(X3)⊙X2,f(X34))))      (6)步骤4.3，将H2和步骤3中的H1送入融合输出模块，首先将H1通过卷积和下采样调整到和H2相同的大小；之后分别对H1和H2进行卷积操作将维度变为C/2×H×W，即32×28×28；为了计算相似矩阵，将特征从三维重构为二维，得到矩阵Q和K，大小为32×784；接着计算矩阵Q和矩阵K的相似度，并通过softmax归一化之后得到注意力特征图W；以上操作用公式表示为：W＝softmax() (7)其中，fRS表示将一个张量重塑为一个向量，<,>表示点积，conv(·)表示卷积操作，softmax(·)表示softmax操作；

矩阵V由H1和H2叠加得到，维数为2C×H×W；在其后面连接一个卷积层，降低通道维数到

32×28×28；同样为了和注意力特征图W的维度匹配对其进行降维，矩阵V的大小为32×

784；矩阵V乘以转置的注意力特征图W得到加权后的特征；由于之后还有后续的卷积层和输出，所以增强的特征需要从二维重塑为三维；最后，将注意力特征图添加到原始特征图中；

整个过程可以用下面的等式来描述：

其中S为原始特征图，F为最终输出， 为逐元素相乘。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～4中任一项所述的基于CNN‑Transformer并行编码器的医学图像分割方法中的步骤。

6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～4中任一项所述的基于CNN‑Transformer并行编码器的医学图像分割方法中的步骤。