1.一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，包括以下步骤：S1、获取医学图片数据集，将数据集分为训练集和验证集，对训练集中的图片进行增广，并对验证集和增广之后的训练集中图片进行归一化处理；

S2、将训练集中的图片输入多路径注意力融合网络模型，在交叉熵损失函数的指导下输出得到分割结果图，多路径注意力融合网络模型包括多路径的编码器、注意力融合模块和具有重构上采样的解码器，其中：

多路径的编码器的包括4条长度不同的路径，第一条路包括4个残差网络模块和3个最大池化操作，第二条路径包括3个残差网络模块和2个最大池化操作，第三条路径包括2个残差网络模块和1个最大池化操作，第四条路径包括1个残差网络模块；其中在残差模块中进行的操作包括：

201：将大小为h×w×c的特征图输入到3×3的卷积层中；

202：将201中的卷积结果输入到标准归一化和ReLU激活函数；

203：将202的结果继续输入到3×3的卷积层，标准归一化和ReLU激活函数；

204：将203的结果输入到3×3的卷积层；

205：将204的卷积结果和201的卷积结果进行求和操作；

206：将205的结果输入到到标准归一化和ReLU激活函数得到h×w×c的特征；

其中，h表示特征图的高度，w表示特征图的宽度，c表示特征图的通道数；

注意力融合模块每次输入两个特征，对两个特征使用卷积操作串联获得组合特征A；对组合特征A依次使用卷积操作、ReLu激活函数和卷积操作，再使用sigmoid处理得到一个维度为1×1×C的特征图，其中C为此特征的通道数，将此特征图与特征A进行乘法将特征进行选择过滤得到特征，将选择过滤得到特征与特征A进行求和处理得到最后的输出特征；

具有重构上采样的解码器包括三层重构上采样，第一层重构上采样是将多路径的编码器的第一条路径最底层的特征进行上采样后与第三层注意力融合模块输出的特征进行拼接后输入到解码模块，第二层重构上采样是将第一层重构上采样输入到解码器后输出的特征进行上采样，再与第二层注意力模块输出的特征进行拼接输入到解码模块，第三层重构上采样是将第二层重构上采样输入到解码器后输出的特征进行上采样，再与第一层注意力模块输出的特征进行拼接输入到解码模块，使用1×1的卷积操作和sigmoid激活函数对第三层重构上采样输入到解码器后输出的特征进行操作，得到最后的分割结果图；

S3、利用验证集数据验证每次迭代训练之后多路径注意力融合网络模型的正确率，并且将正确率最高时的网络参数作为多路径注意力融合网络模型的网络参数；

S4、将经过归一化处理之后的需要进行分割的图像数据输入多路径注意力融合网络模型，即可得到分割结果图。

2.根据权利要求1所述的一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，对训练集图片进行增广处理包括：将训练集中的图片进行旋转，旋转角度包括10°、20°、‑10°和‑20°，并保存旋转之后的图片；

将训练集中的图片进行上下翻转和左右翻转，并保存翻转之后的图片；

将训练集中的图片进行弹性变换，并保存弹性变换之后的图片；

将训练集中的图片进行进行(20％,80％)范围缩放处理，并保存缩放处理之后的图片；

将训练集中图片以及经过以上处理的训练集图片一起作为训练集，完成增广。

3.根据权利要求1所述的一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，归一化处理表示为：

I＝(I‑M)/Std；

其中，I表示图像的对比度，M表示图像数据的均值，Std表示图像数据的标准差。

4.根据权利要求1所述的一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，在注意力融合模块的操作包括：

211：对于来自多路径编码器的分辨率为h×w×c的特征M，和来自前一个注意力融合模块输出的结果分辨率为h/2×w/2×2c的特征F，先将特征F进行上采样操作使得特征F的分辨率为h×w×c，然后将特征经过上采样的特征F与特征M进行拼接操作，将拼接后的特征输入到3×3的卷积层中；

212：将211的卷积结果输入到标准归一化和ReLU激活函数；

213：将212的卷积结果输入到全局平均池化函数，一个维度为1×1×c的特征图，其中c为此特征的通道数；

214：将213的卷积结果先后输入到1×1卷积层、ReLu激活函数和1×1卷积层，最后输入到sigmoid函数得到一个维度为1×1×c的特征图；

215：将214的特征图与211的卷积结果进行乘法操作得到选择过滤特征；

216：将215的卷积与211的卷积结果进行求和处理得到最后的输出特征。

5.根据权利要求1所述的一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，在解码器模块的操作包括：

221：对于来自注意力融合模块的分辨率为h×w×c的特征F，和来自前一个解码器模块输出的结果分辨率为h/2×w/2×2c的特征D，先将特征D进行上采样操作使得特征D的分辨率为h×w×c，然后将特征经过上采样的特征F与特征D进行拼接操作，最后将拼接后的特征输入到3×3的卷积层中；

222：将221的结果特征输入到3×3的卷积层中；

223:将222中的卷积结果输入到标准归一化和ReLU激活函数；

224：将223的结果继续输入到3×3的卷积层，标准归一化和ReLU激活函数；

225：将224的结果输入到3×3的卷积层；

226：将225的卷积结果和201的卷积结果进行求和操作；

227：将226的结果输入到到标准归一化和ReLU激活函数得到h×w×c的特征。

6.根据权利要求1所述的一种基于多路径注意力融合的医学图像自动分割方法，其特征在于，交叉熵损失函数表示为：

其中yi代表图片的标签， 代表图片的预测结果。