1.基于协方差自注意力机制的双路径UNet网络肿瘤分割方法，其特征在于：主要包括基本X模块、底部模块、下采样模块和上采样模块，所述基本X模块、底部模块、下采样模块和上采样模块均是用于增加表示能力的残差结构；所述基本X模块包括输入层、两个BN+ReLU层、两个3×3步长为1的卷积层和输出层，BN+ReLU层和卷积层相互交叉设置，输入层和输出层特征图大小相同；所述底部模块与基本X模块相同；所述下采样模块包括输入层、两个BN+ReLU层、一个3×3步长为2的卷积层、一个3×3步长为1的卷积层和输出层，BN+ReLU层和卷积层相互交叉设置，采用一个1×1步长为2的卷积替换残差连接；所述上采样模块包括输入层、一个上采样块、一个3×3步长为2的反卷积层和输出层，上采样模块采用反卷积运算用以替换原始残差连接；所述底部模块设置于底层，其上设置有多个基本块X模块，由上层的基本块X模块向下层的基本块X模块至底部模块进行下采样运算操作，由底部模块向上层的基本块X模块进行上采样运算操作；

所述上采样模块还包括协方差自注意力模块，协方差自注意力模块嵌入上采样块后；

所述底部模块上仅在协方差自注意力模块上应用残差连接；

所述协方差自注意力模块首先将输入特征为 通过三个1×1的卷积运算分别生成的三个特征图Q、K和V，其中 和 dq，dk和dv分别表

示Q，K和V的通道数，取dq＝dk，且dq，dk和dv均小于d；

自注意力特征图 通过特征图Q和K的相关性生成，在特征图Q的空间维度中每个像素位置u，可得到 在特征图K中每个对应空间位置u的相关性计算方法为：其中Ki,u是 第i个元素， 表示Qu向量的均值， 表示Ki,u向量的均值，i＝[1,2,…,h+w‑1]，Ci,u表示特征图Qu和Ki,u之间的相关性矩阵，然后通过C计算自注意力特征图SA：

SAi,u＝softmax(Ci,u) (2)

每个位置u的空间维度上，由 获得十字交叉集合 通过

像素之间的长距离信息相关性融合：

其中Hu输出特征图在位置u的特征向量，SAi,u是SA的通道i和位置u的标量值。