1.一种基于多尺度交叉注意力的医学图像分割方法，其特征在于，所述方法包括如下步骤：准备息肉图像数据集，分为训练集、验证集和测试集；

创建MSCANet网络模型，将息肉图像输入基于Resnet构建的编码器获取四个层级的特征图，包括浅层特征图和深层特征图，四个层级的特征图分别通过对应的通道信息聚合模块关注到重要的通道，强化特征信息，然后将经过通道信息聚合模块加强后的特征通过多尺度交叉注意力模块建模不同层级特征之间的关系，以此来捕获不同尺寸的目标和细化分割的边缘，再通过解码器由深层向浅层逐级聚合，输出图像分割结果；

进行网络模型训练，获取MSCANet网络模型训练的权重；

在测试集上，使用训练好的权重运行MSCANet网络模型，并得出息肉图像分割结果；

所述通道信息聚合模块过程包括如下步骤；

基于编码器获取的特征图通过第一卷积模块聚合信息；

基于第一卷积模块聚合信息通过第二卷积模块和第三卷积模块来学习获取重要的通道信息；

基于第二卷积模块和第三卷积模块获取重要的通道信息,接着通过Sigmoid函数获取每个通道的重要性分数；

基于Sigmoid函数获取每个通道的重要性分数与原特征图在通道上相乘来更新特征图；

基于更新的特征图通过第四卷积模块压缩通道，保留重要的通道信息，获取含有重要通信信息的特征图；

所述多尺度交叉注意力模块过程包括如下步骤：

第四层特征分别与第三层级特征、第二层级特征、第一层级特征做交叉注意力的计算获取三个融合不同层级的特征图，基于获取的三个融合不同层级的特征图分别通过多层感知机和残差连接获取三个更新后的特征图；

基于三个更新后的特征图通过融合操作将三个更新后的特征图在通道上拼接，通过卷积模块将三张特征图的信息进行融合，并将特征图通道数减少为三分之一；

所述多尺度交叉注意力模块过程还包括如下步骤：

第三层级特征分别与第二层级特征、第一层级特征做交叉注意力的计算获取两个融合不同层级的特征图；

基于获取的两个融合不同层级的特征图通过多层感知机和残差连接获取两个更新后的特征图；

基于获取两个更新后的特征图通过融合操作将两个更新后的特征图在通道上拼接，通过卷积核大小为1x1的卷积模块将两个通道数融合为一个通道；

所述多尺度交叉注意力模块过程还包括如下步骤：

第二层级特征与第一层级特征做交叉注意力的计算获取融合了第一层级特征新的第二层级特征；

基于融合了第一层级特征新的第二层级特征通过多层感知机和残差连接获取一个更新后的特征图。

2.根据权利要求1所述的基于多尺度交叉注意力的医学图像分割方法，其特征在于，通道信息聚合模块中采用Sigmoid函数，包括：Sigmoid函数为：

3.根据权利要求1所述的基于多尺度交叉注意力的医学图像分割方法，其特征在于，第一卷积模块、第二卷积模块和第三卷积模块采用InstanceNorm函数，包括：InstanceNorm函数为：

4.根据权利要求1所述的基于多尺度交叉注意力的医学图像分割方法，其特征在于，其特征在于，第四卷积模块采用Batch Norm函数，包括：BatchNorm函数为：

5.根据权利要求1所述的基于多尺度交叉注意力的医学图像分割方法，其特征在于，第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块都采用ReLu激活函数，包括：ReLu激活函数为：

6.一种基于多尺度交叉注意力的医学图像分割系统，所述系统采用如权利要求1所述的基于多尺度交叉注意力的医学图像分割方法，其特征在于，所述系统包括：编码器：用于基于输入的息肉图像获取四个层级的特征图，其包括浅层特征图和深层特征图；

通道信息聚合模块：用于基于四个层级的特征图获取四个含有重要通道信息的特征图，其包括第一卷积模块，第二卷积模块，第三卷积模块和第四卷积模块；

多尺度交叉注意力模块：用于基于通道信息聚合模块获取四个含有重要信息的特征图捕获不同尺寸的目标和细化分割边缘的四个特征图；

解码器：用于基于通道信息聚合模块和多尺度交叉注意力模块捕获四个不同尺寸的目标和细化分割边缘的特征图，通过深层向浅层逐级聚合，输出图像分割结果，其包括上采用模块和拼接融合模块。