1.一种结合邻域自注意力和分层特征融合的医学图像分割方法，其特征在于，包括：

S1：获取原始医学训练数据集，所述原始医学图像训练数据包括：原始医学图像和对应的分割图标签；

S2：建立医学分割模型，利用医学图像训练数据集对医学分割模型进行训练；所述医学分割模型包括：MIT特征编码器、3个NAF邻域注意特征提取模块、改进的FMF解码器；

所述对医学分割模型进行训练包括：

S21：将原始医学图像输入MIT特征编码器进行全局语义特征提取，得到特征F1~F4；

S22：将原始特征F4作为高级特征H，将F3作为低级特征L，将H利用双线性插值法进行上采样，再与L进行残差连接，将得到的特征图输入NAF模块中得到低级浅层特征T1；

S23：将特征T1作为高级特征H，将原始特征F2作为低级特征L，将H利用双线性插值法进行上采样，再与L进行残差连接，将得到的特征图输入NAF模块中得到中层特征T2；

S24：特征T2作为高级特征H，将原始特征F1作为低级特征L，将H利用双线性插值法进行上采样，再与L进行残差连接，将得到的特征图输入NAF模块中得到高层特征T3；

S25：将特征T1 T3和原始特征F4输改进的入FMF解码器进行特征融合，输出原始医学分~

割图P；

S26：根据原始医学分割图和原始医学图像对应的分割图标签构建医学分割模型的损失函数，以损失函数最小为优化目标对医学分割模型的参数进行更新，完成医学分割模型的训练；

所述改进的FMF解码器，包括： 4个1*1的卷积模块、4个BatchNorm层，3个空洞卷积层以及1个深度可分离卷积模块；

FMF解码器中的4个1*1卷积模块分别对特征T1~T3和原始特征进行卷积操作随后利用BatchNorm层进行归一化处理得到特征 ，随后将特征 进行上采样得到特征U2；利用Concat函数将特征 和U2拼接后再使用空洞卷积对其进行特征提取得到特征D1；随后将特征 进行上采样得到特征L3；利用Concat函数将特征 和L3拼接后再使用空洞卷积对其进行特征提取,再进行上采样得到特征D2；对特征L3再进行上采样得到特征U3；将特征进行上采样得到特征L4；利用Concat函数将特征和L4拼接后再使用空洞卷积对其进行特征提取，再进行上采样得到特征D3；对特征L4再进行上采样得到特征U4；将特征 、D1、D2、D3、U2、U3、U4相加得到特征C；将特征C输入深度可分离卷积层得到最终的分割图P；

S3：将待分割的医学图像输入训练好的医学分割模型得到分割图。

2.根据权利要求1所述的一种结合邻域自注意力和分层特征融合的医学图像分割方法，其特征在于，所述的邻域注意力NAF模块，包括：2个1*1的卷积模块、2个BatchNorm层，N个窗口注意力层；

将输入NAF模块的高级特征H经过上采样得到 ，再将 与输入NAF模块的低级特征L利用Concat函数拼接后得到的特征图再经过1*1卷积模块进行卷积操作随后利用BatchNorm层进行归一化处理得到特征P1；再将特征图 经过1*1卷积模块进行卷积操作随后利用BatchNorm层进行归一化处理得到的特征图与L相加得到的特征图M；再利用M得到Query矩阵、Key矩阵和Value矩阵，将Query矩阵和Key矩阵做矩阵乘法得到Score注意力分数矩阵，将分数矩阵和Value矩阵做矩阵乘法得到一个窗口内的注意力计算后的结果图，经过Slide滑动之后不断计算出各个窗口内部进行注意力计算后的结果图；最后将整个结果图的输出P2与P1相加，得到NAF模块的输出特征图。

3.根据权利要求1所述的一种结合邻域自注意力和分层特征融合的医学图像分割方法，其特征在于，根据原始医学分割图和原始医学图像对应的分割图标签构建医学分割模型的损失函数，包括：其中，L1表示医学分割模型的损失函数，G表示原始结肠息肉图像对应的息肉分割图标签，P表示原始结肠息肉图像经医学分割模型分割处理后的原始息肉分割图；LBCE( )表示二分类交叉熵损失函数；LIOU( )表示交并比损失函数。