1.一种多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于，包括如下步骤：步骤一、对乳腺X光影像的尺寸进行调整，并标记出肿块区域信息；将调整好尺寸的乳腺X光影像作为输入，将对应标记的肿块区域信息作为输出，来训练Faster-RCNN网络中对应的参数；

步骤二、在肿块区域中标记出肿块边界，构建全分辨率卷积网络；将肿块区域图像作为输入，将对应标记的肿块边界作为输出，来训练全分辨率卷积网络中对应的参数；

步骤三、将肿块区域内肿块边界外的像素值设置为0，根据肿块的类别设置类别信息；

构建卷积神经网络，将像素值修改后的肿块区域图像作为输入，类别信息作为输出，训练卷积神经网络的参数；

步骤四、将待判定且调整好尺寸的乳腺X光影像输入到步骤一中训练好的Faster-RCNN网络中，根据网络的输出获得乳腺肿块的区域信息，从而得到乳腺肿块区域检测结果；

步骤五、将步骤四中乳腺肿块区域输入到步骤二中训练完成的全分辨卷积网络中，根据网络的输出获得乳腺肿块的边界区域信息，将区域内肿块边界以外的像素点的值设置为

0；

步骤六、将步骤五得到的边界区域输入到步骤三中训练完成的卷积网络中，根据网络的输出获得乳腺肿块的类别信息，根据类别信息完成乳腺肿块性质分析的任务。

2.根据权利要求1所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述步骤一中将乳腺X光影像的尺寸进行调整为416×416像素。

3.根据权利要求1所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述步骤二中全分辨率卷积网络的网络构架分为编码子网络和解码子网络。

4.根据权利要求3所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述编码子网络包含8个卷积层和线性整流激活函数层：所述卷积层的第一层和第二层卷积核大小为3×3×64，第三层和第四层卷积核大小为3×3×128，第五层至第六层卷积核大小为3×3×256，第七层至第八层卷积核大小为3×3×512；

线性整流激活函数层的线性整流激活函数公式如下：

5.根据权利要求4所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述解码子网络结构为卷积核为7×7×4096的卷积层、卷积核为1×1×4096的卷积层、卷积核为1×1×2的卷积层、softmax层。

6.根据权利要求1所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述步骤三中，肿块的类别分为良性和恶性，分别设置为0和1。

7.根据权利要求6所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述卷积神经网络的网络构架包含5个卷积层、2个池化层以及2个全连接层。

8.根据权利要求7所述多目标集成式深度神经网络的乳腺X光影像分析方法，其特征在于：所述卷积神经网络的第一层为卷积核大小为7×7×20的卷积层和线性整流激活函数层，第二层为2×2的池化层，第三层为卷积核大小为5×5×64的卷积层和线性整流激活函数层，第四层为2×2的池化层，第五层至第七层均为卷积核大小为3×3×256的卷积层和线性整流激活函数层，第八层和第九层是分别包含1024和4096个节点的全连接层。