1.一种基于多重注意力的医学图像分割方法，其特征在于，所述基于多重注意力的医学图像分割方法包括：获取待分割的医学图像，并将所述待分割的医学图像输入至包含多个显示衰减注意力模块的编码器，得到每个所述显示衰减注意力模块输出的编码特征；其中：所述显示衰减注意力模块包括局部感知块、保持性自注意力和多尺度令牌聚合前馈网络，所述将所述待分割的医学图像输入至包含多个显示衰减注意力模块的编码器，得到每个所述显示衰减注意力模块输出的编码特征，包括：将所述待分割的医学图像输入至每个所述显示衰减注意力模块的编码器中，采用所述局部感知块对所述待分割的医学图像进行位置编码，得到编码位置信息；

将所述编码位置信息进行层归一化并将层归一化后的编码位置信息输入至所述保持性自注意力，通过所述保持性自注意力将显示衰减拓展至与图像结构对齐的双向、二维形式并引入空间距离先验知识至所述编码位置信息，得到所述保持性自注意力的输出结果；

将所述保持性自注意力的输出结果与所述编码位置信息进行逐元素相加，得到逐元素相加结果，并将所述逐元素相加结果进行层归一化，得到层归一化后的结果；

将所述层归一化后的结果输入至所述多尺度令牌聚合前馈网络中执行多尺度令牌聚合，得到所述多尺度令牌聚合前馈网络的输出结果；

将所述多尺度令牌聚合前馈网络的输出结果与所述逐元素相加结果进行逐元素相加，得到每个所述显示衰减注意力模块输出的编码特征；

将每个所述显示衰减注意力模块输出的所述编码特征输入至跨切片注意力模块，得到与所述显示衰减注意力模块对应的跨切片特征；其中：所述跨切片注意力模块包括语义注意力、位置注意力和切片注意力，所述将每个所述显示衰减注意力模块输出的所述编码特征输入至跨切片注意力模块，得到与所述显示衰减注意力模块对应的跨切片特征，包括：将每个所述显示衰减注意力模块输出的所述编码特征输入至跨切片注意力模块，采用所述语义注意力生成语义注意力图，采用所述位置注意力生成位置注意力图；

将所述语义注意力图和所述位置注意力图进行逐元素相加，得到第一结果；

将所述第一结果输入至激活函数，得到第二结果；

将所述第二结果与所述显示衰减注意力模块输出的所述编码特征进行逐元素相乘，得到第三结果；

将所述第三结果与所述显示衰减注意力模块输出的所述编码特征进行逐元素相加，得到第四结果；

采用所述切片注意力将所述第四结果生成切片注意力图，并将所述切片注意力图与所述第四结果进行逐元素相乘，得到与所述显示衰减注意力模块对应的跨切片特征；

将所述编码器中最底层的所述显示衰减注意力模块输出的编码特征输入至全局和局部交互模块，得到全局局部特征；

将所述全局局部特征和与所述编码器中最底层的所述显示衰减注意力模块对应的跨切片特征进行逐元素求和，得到与最底层的所述显示衰减注意力模块对应的解码器模块的输入特征；将所述解码器的输入特征进行解码操作，得到解码特征，并将所述解码特征进行上采样，得到上采样特征；将所述上采样特征和最底层的所述显示衰减注意力模块的上一层显示衰减注意力模块对应的跨切片特征进行逐元素求和，得到所述上一层显示衰减注意力模块对应的解码器模块的输入特征，直到获得解码器中最顶层解码器模块输出的解码特征；

将所述最顶层解码器模块输出的解码特征进行上采样，得到最终特征，并将所述最终特征输入至分割头，获得最终的医学图像分割结果。

2.根据权利要求1所述基于多重注意力的医学图像分割方法，其特征在于，通过如下方式将显示衰减拓展至与图像结构对齐的双向、二维形式并引入空间距离先验知识至所述编码位置信息，得到所述保持性自注意力的输出结果：；

；

；

；

其中， 表示层归一化后的编码位置信息， , , 分别表示查询向量、关键向量和数值向量， 表示令牌的数量， 表示第n个令牌， , 表示可学习的参数， 表示 的复共轭， 表示逐元素点乘， 表示自然常数， 表示虚数单位， 表示常数， 表示第n个token的二维坐标， 表示每个元素相应令牌对在各自位置上的曼哈顿距离的指数衰减， 表示衰减率， 表示转置 ，Softmax表示Softmax激活函数，ReSA表示保持性自注意力的输出结果。

3.根据权利要求1所述基于多重注意力的医学图像分割方法，其特征在于，通过如下方式将所述层归一化后的结果输入至所述多尺度令牌聚合前馈网络中执行多尺度令牌聚合，得到所述多尺度令牌聚合前馈网络的输出结果：；

；

；

其中，MSTA‑FFN表示多尺度令牌聚合前馈网络的输出结果， 表示层归一化后的结果， 表示1×1卷积， 表示内核大小为 的深度卷积， 表示经内核大小为 的深度卷积处理后得到的结果， 表示经内核大小为1的深度卷积处理后得到的结果， 表示经内核大小为3的深度卷积处理后得到的结果， 表示经内核大小为5的深度卷积处理后得到的结果， 表示通道串联操作， 表示残差连接操作。

4.根据权利要求1所述基于多重注意力的医学图像分割方法，其特征在于，所述全局和局部交互模块包括全局交互块和局部交互块，所述将所述编码器中最底层的所述显示衰减注意力模块输出的编码特征输入至全局和局部交互模块，得到全局局部特征，包括：将所述编码器中最底层的所述显示衰减注意力模块输出的编码特征输入至全局和局部交互模块，采用卷积层得到平滑特征；

将所述平滑特征输入至所述全局交互块，采用所述全局交互块捕获所述平滑特征的远距离依赖关系，得到全局特征；

将所述平滑特征输入至所述局部交互块，采用所述局部交互块聚合局部区域特征，得到局部特征；

将所述全局特征和所述局部特征进行逐元素相加，得到融合特征；

将所述融合特征输入至多个卷积层，得到卷积结果，并将所述卷积结果和所述融合特征进行残差操作，得到全局局部特征。

5.根据权利要求4所述基于多重注意力的医学图像分割方法，其特征在于，所述局部交互块包括固有密码本和视觉中心的缩放因子，所述将所述平滑特征输入至所述局部交互块，采用所述局部交互块聚合局部区域特征，得到局部特征，包括：将所述平滑特征输入至一组卷积层，得到卷积平滑特征；

将所述卷积平滑特征输入至包含3×3卷积、批归一化层和ReLU激活函数的CBR块中，得到编码平滑特征；

采用所述固有密码本和所述视觉中心的缩放因子对所述编码平滑特征进行计算，得到完整信息；

将所述完整信息进行批归一化、ReLU激活函数和平均计算，得到平均计算结果；

将所述平均计算结果经过全连接层和卷积层，得到关键特征；

将所述关键特征和所述平滑特征进行逐元素相乘，得到相乘结果，并将所述相乘结果和所述平滑特征进行逐元素相加，得到局部特征。