1.一种病灶定位核心数据提取方法，其特征在于，包括以下步骤：S1、对于医疗图像数据集中的任一个图像，计算并融合该图像的信息熵、基于灰度共生矩阵的对比度值、inception score值，计算该图像的核心度；

优选地，利用下式计算医疗图像数据集中图像i的核心度 ：

；

其中，r表示同一评价指标下图像的数量； 分别表示图像i的信息熵值、对比度值以及inception score值；i的取值范围为1,2,…,r； 分别表示图像j的信息熵值、对比度值以及inception score值；

S2、将医疗图像数据集中所有图像按照核心度进行降序排列，提取核心度排名前k的图像作为一批核心数据；

S3、利用上一批核心数据和无病理医疗数据，优化所述信息熵；

S4、重复步骤S1～S3，提取出合适数量的核心数据。

2.根据权利要求1所述的病灶定位核心数据提取方法，其特征在于，步骤S1中，图像i的信息熵计算过程包括：对图像i通过使用拥有预训练权重的分类模型进行学习和计算，得到图像i的信息熵 ，计算公式如下：；

N为分类模型的输出类别数，i表示无标注数据集中正样本集的第i张图像， 表示分类模型预测图像i是类别c的置信度；

优选地，利用上一批核心数据和无病理医疗数据对所述分类模型进行微调，即固定分类模型的前面层的参数权重，使用提取的上一批核心数据和无病理医疗数据训练调整分类模型最后一层的权重，并使用微调后的分类模型替换原有分类模型，从而优化所述信息熵。

3.根据权利要求1所述的病灶定位核心数据提取方法，其特征在于，步骤S1中，计算图像i的对比度值之前，对所述图像i进行灰度共生矩阵转化。

4.根据权利要求1所述的病灶定位核心数据提取方法，其特征在于，步骤S1中，图像i的inception score值的计算过程包括：对图像i进行切割处理，得到n×n个子块；计算每个子块的inception score，合成所述图像i所有子块的inception score，得到图像i的inception score。

5.一种病灶定位核心数据提取系统，其特征在于，包括：

信息熵计算模块，用于计算医疗图像数据集中所有图像的信息熵；

对比度值计算模块，用于计算医疗图像数据集中所有图像的基于灰度共生矩阵的对比度值；

inception score值计算模块，用于计算医疗图像数据集中所有图像的inception score值；

融合模块，用于根据每个图像的信息熵、对比度值、inception score值，计算每个图像的核心度；

排序模块，用于将医疗图像数据集中所有图像按照核心度进行降序排列，提取核心度排名前k的图像作为一批核心数据；

优化循环模块，用于优化信息熵计算模块，并循环提取核心数据，直至提取出适量核心数据；

所述信息熵计算模块对图像i通过使用拥有训练权重的分类模型进行学习和计算，得到图像i的信息熵。

6.根据权利要求5所述的病灶定位核心数据提取系统，其特征在于，所述对比度值计算模块包括：转化单元，用于对医疗图像数据集中的图像进行灰度共生矩阵转化；

计算单元，用于计算转化后的图像的对比度值。

7.根据权利要求5所述的病灶定位核心数据提取系统，其特征在于，所述inception score值计算模块包括：切割单元，用于对所述医疗图像数据集中的图像进行切割处理，将每个图像切割为n×n个子块；

inception score计算单元，用于计算每个子块的inception score；

合成单元，用于合成n×n个子块的inception score，得到图像的inception score。

8.根据权利要求5所述的病灶定位核心数据提取系统，其特征在于，所述优化循环模块包括：优化单元，利用排序模块提取的上一批核心数据和无病理医疗数据对信息熵计算模块中的分类模型进行微调，即固定分类模型的前面层的参数权重，使用提取的上一批核心数据和无病理医疗数据训练调整最后一层的权重，并使用微调后的分类模型替换原有分类模型；

循环单元，循环执行信息熵计算模块，对比度值计算模块，inception score值计算模块，融合模块，排序模块以及优化循环模块的操作，直至提取出合适数量的核心数据。

9.一种用于提取病灶定位核心数据的电子设备，其特征在于，包括处理器；所述处理器用于执行权利要求1～5之一所述的方法；优选地，还包括数据采集模块，用于采集医疗图像，并将所述病灶图像传送至所述处理器。

10.一种计算机存储介质，其特征在于，其存储有程序；该程序用于执行权利要求1～5之一所述的方法。