1.一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，包括以下步骤：(1)准备数据集，分为训练和测试数据集；

(2)利用残差模块作为编码器提取图像的特征；

(3)利用双重挤压激励模块增强瓶颈层对高级特征的提取能力；

(4)在解码器使用通道和空间组合的注意力模块，从通道和空间两个层面上关注关键区域，从提取到的特征选择最相关的特征，抑制不相关的特征，提高分割精度；此外使用跨层融合的方式，捕获上下文信息，细化分割的边界，通过解码器，最终生成全局预测图Sg；

所述通道和空间组合的注意力模块，通过并联和嵌套两种方式将通道注意力和空间注意力融合使用；整个模块分为a,b,c三路，在通路a中，首先将输入的特征通过一个双重挤压激励模块模块进行特征增强，生成特征图MM

其中，M

M

M

M

M

其中M表示特征图，concat(·,·)表示连接操作，d(·)表示DSE操作，·表示矩阵内积，×表示矩阵外积；

(5)在瓶颈层和解码器部分，通过深监督对网络输出进行监督，在每层生成预测结果S(6)进行网络模型训练；

所述步骤(3)中双重挤压激励模块，分为两个阶段：在第一个阶段中，使用全局平均池化，生成权重向量

2.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(1)具体为，准备数据集Kvasir-SEG和CVC-ClinicDB，并且按照9:1的比例将Kvasir-SEG和CVC-ClinicDB随机分为训练和测试数据集；准备数据集CVC-ColonDB,ETIS-LARIBPOLYPDB和CVC-T，作为测试数据集。

3.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(2)中残差模块，首先使用一个1×1的卷积对输入特征进行通道变换，得到特征图M

4.根据权利要求1所述的一种融合通道和空间注意力的卷积神经网络息肉分割方法，其特征在于，所述步骤(6)中网络模型的训练过程如下：(6.1)首先准备数据集Kvasir-SEG和CVC-ClinicDB，并且按9:1划分为训练集和测试集；准备数据集CVC-ColonDB,ETIS-LARIBPOLYPDB,CVC-T，作为测试数据集；

(6.2)对数据集中的数据进行增强，并设置输入的图像尺寸为352×352；

(6.3)使用Adam方法作为优化器，并设置初始学习率为1e-4，在60个epoch后，将学习率降为1e-5；

(6.4)使用结合了加权交并比损失和二进制交叉熵损失作为损失函数，表示为：在训练过程中，对于步骤(4)中生成的全局预测图S然后将其反向传播来更新网络参数。