1.一种基于拆分注意力的网络结合TRW-S算法的息肉分割方法，其特征在于，它包括以下步骤：步骤1：收集若干个息肉分割的数据集；

步骤2：对数据集进行数据增强；

步骤3：进行数据集的划分；

步骤4：构建拆分注意力多尺度聚合网络，再使用所构建的网络对大肠息肉的图像进行分割；

步骤5：将步骤3中划分后的数据集放入步骤4建立的网络中进行训练；

步骤6：将测试集进行测试时数据增强TTA并输入步骤5训练好的网络得出预测图；

步骤7：将预测图输入基于马尔科夫随机场的顺序树加权信息传递算法TRW-S进行边缘平滑；

步骤8：输出预测图像；

步骤9：构建评价体系对分割结果进行评价；

在步骤4中，采用编码-解码的方法对大肠息肉进行分割，具体包括以下步骤：

4-1）采用ResNeSt-50编码结构作为骨干网络进行网络的编码；

4-2）采用多层分支感受野模块RFB、密集聚合模块Dense Aggregation融合上下文信息；

4-3）采用8倍上采样的快速解码结构；

在步骤7中，在进行测试时数据增强TTA输出结果中构建马尔科夫随机场对于二元项进行平滑处理，提高分割效果的边缘连续性和分割区域内部的一致性；具体包括以下步骤：

7-1）对深度学习产生的灰度预测图构建马尔科夫随机场，将图像的每个像素作为马尔科夫随机场的一个节点，使用像素灰度值作为节点的一元项权重；

7-2）构建基于马尔科夫随机场的顺序树加权信息传递算法 TRW-S对分割边缘进行二元项平滑，其中的一元项权重即通过分割网络产生的分割结果的像素数值大小。

2.根据权利要求1所述的方法，其特征在于，在步骤4-2）中，分别获取ResNeSt-50编码结构中stage2的输出A1，stage3的输出A2，stage4的输出A3，A1通过RFB模块获得特征图B1，A2通过RFB模块获得特征图B2，A3通过RFB模块获得特征图B3，B3通过2倍上采样、3×3卷积和BN层获得C3-2, B3通过4倍上采样、3×3卷积和BN层获得C3-1,B2通过2倍上采样、3×3卷积和BN层获得C2-1,B2与C3-2进行逐像素相乘获得D2,B1与C2-1进行逐像素相乘再与C3-1进行逐像素相乘获得D1，D2再与C3-2进行特征融合得到E2,E2进行3×3卷积、BN层、2倍上采样、3×3卷积与BN层获得E2-1，D1与E2-1进行特征融合获得F1，F1最后经过一个3x3的卷积层与BN获得输出G1。

3.根据权利要求1所述的方法，其特征在于，在步骤5中，在进行训练时，输入若干张训练息肉图像进行多轮次的训练，使用多尺度训练作为图片增广方式，在进行多轮次的训练后收敛。

4.根据权利要求1所述的方法，其特征在于，在步骤6中，将数据集中的若干幅图像输入模型得出验证结果，验证时使用测试时图像增强 TTA提高检测效果。

5.根据权利要求1所述的方法，其特征在于，在步骤6中，将测试集进行测试时数据增强并输入步骤5训练好的网络得出预测图时，采用以下步骤：

6-1）将测试集水平翻转输入模型得出预测图像再翻转回来；

6-2）将测试集竖直翻转输入模型得出预测图像再翻转回来；

6-3）直接将测试集输入模型得出预测图像；

6-4）将上述三个测试集的预测结果做求和取平均。

6.根据权利要求1所述的方法，其特征在于，还包括步骤9：构建评价体系对分割结果进行评价；在步骤9中构建评价体系进行评价；使用平均交并比 mIoU、平均置信度 mDice、结构性度量 Smeasure和平均绝对误差 MAE作为客观评价指标对分割效果进行定量评价。