1.一种医学影像图片分析方法，其特征在于，所述方法包括：获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，所述深度学习网络模型为全卷积神经网络模型，所述利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，包括：

将所述预设部位疾病历史图片集确定为训练集；

对所述预设部位疾病历史图片集进行疾病类型标记得到标签集；

利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型；

所述利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型，包括：

降维步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到降维数据集，所述卷积操作为：

其中，G为卷积数据集，ω为所述训练集，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵；

激活函数包括：

其中，μt表示预测值，s表示升维数据集中的数据；

预构建的损失函数包括：

其中，T表示损失值，z为所述训练集的数据数目，t为正整数，bt 为标签值；

升维步骤：根据预设的反卷积次数，对所述降维数据集进行反卷积操作，得到升维数据集；

损失值计算步骤：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数的输入参数计算得到损失值；

损失值对比步骤：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回所述降维步骤；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型；

根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，所述初始诊断模型为ResNet‑8模型；

根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；

根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；

当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。

2.如权利要求1所述的医学影像图片分析方法，其特征在于，所述根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，包括：对所述疾病识别模型中包含的第一特征层的特征信息进行归一化指数处理，得到疾病识别模型概率分布函数；

对所述初始诊断模型中包含的第二特征层的特征信息进行归一化指数处理，得到初始诊断模型概率分布函数；

根据所述疾病识别模型概率分布函数与所述初始诊断模型概率分布函数进行最大均值差异计算，得到所述蒸馏损失函数。

3.如权利要求2所述的医学影像图片分析方法，其特征在于，所述根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型，包括：利用所述第一特征层作为训练目标，不断更迭所述初始诊断模型的参数，当计算所述蒸馏损失函数得到的蒸馏损失值小于预设阈值时，停止训练，得到所述第一诊断模型。

4.如权利要求1所述的医学影像图片分析方法，其特征在于，所述根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型，包括：判断所述诊断目标是否为新增诊断目标；

当所述诊断目标不为新增诊断目标时，对所述第一诊断模型进行输出调整，得到所述目标诊断模型；或者

当所述诊断目标为新增诊断目标时，调整并训练所述第一诊断模型，得到所述目标诊断模型。

5.如权利要求4所述的医学影像图片分析方法，其特征在于，所述调整并训练所述第一诊断模型，得到目标诊断模型，包括：获取诊断图片集，对所述诊断图片集进行标注，得到初始诊断图片集；

对所述初始诊断图片集进行数据增强处理，得到标准诊断图片集；

根据所述诊断目标对所述第一诊断模型进行输出添加，得到第二诊断模型；

利用所述标准诊断图片集对所述第二诊断模型进行迭代训练，直至所述第二诊断模型收敛，得到第三诊断模型；

对所述第三诊断模型进行输出调整，得到所述目标诊断模型。

6.一种医学影像图片分析装置，其特征在于，所述装置包括：模型生成模块，用于获取预设部位疾病历史图片集，利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，所述深度学习网络模型为全卷积神经网络模型，所述利用所述预设部位疾病历史图片集训练预构建的深度学习网络模型得到疾病识别模型，包括：

将所述预设部位疾病历史图片集确定为训练集；

对所述预设部位疾病历史图片集进行疾病类型标记得到标签集；

利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型；

所述利用所述训练集及所述标签集训练所述深度学习网络模型，得到所述疾病识别模型，包括：

降维步骤：根据预设的卷积池化次数，对所述训练集进行卷积池化操作，得到降维数据集，所述卷积操作为：

其中，G为卷积数据集，ω为所述训练集，k为预设卷积核的大小，f为预设卷积操作的步幅，p为预设数据补零矩阵；

激活函数包括：

其中，μt表示预测值，s表示升维数据集中的数据；

预构建的损失函数包括：

其中，T表示损失值，z为所述训练集的数据数目，t为正整数，bt 为标签值；

升维步骤：根据预设的反卷积次数，对所述降维数据集进行反卷积操作，得到升维数据集；

损失值计算步骤：利用预设的激活函数对所述升维数据集进行计算得到预测值，根据所述预测值和所述标签集包含的标签值，利用预构建的损失函数的输入参数计算得到损失值；

损失值对比步骤：对比所述损失值与预设的损失阈值的大小，若所述损失值大于或等于所述损失阈值，返回所述降维步骤；若所述损失值小于所述损失阈值，停止训练，得到所述疾病识别模型；

模型 蒸馏模块，用于根据所述疾病识别模型与预构建的初始诊断模型构建蒸馏损失函数，所述初始诊断模型为ResNet‑8模型；根据所述蒸馏损失函数对所述初始诊断模型进行蒸馏训练，得到第一诊断模型；根据预设的诊断目标对所述第一诊断模型进行训练及输出调整，得到目标诊断模型；

图片分析模块，用于当接收到待分析医学影像图片时，利用所述目标诊断模型对所述待分析医学影像图片进行分析，得到分析结果。

7.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至5中任一所述的医学影像图片分析方法。

8.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一所述的医学影像图片分析方法。