1.一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，包括以下步骤：

1)、堆叠标准块和减少块,得到网络结构相同的胎儿心脏超声图像分类网络1、分类网络2和分类网络3，使用3个分类网络构建多粒度胎儿心脏超声图像识别模型，其中标准块和减少块是基本图像计算单元，每个块中有7个节点，节点1，2为输入节点，节点3，4，5，6为中间节点，中间节点之间为不同的卷积操作，节点7为输出节点，对所有中间节点的图像特征按通道进行连接，堆叠是按顺序连接标准块和减少块；

(1)

2)、将胎儿心脏超声图像数据输入分类网络1，得到粗分类标签Y 和本次分类的最大(1)

分类概率P ；

3)、将分类网络1中全局平均池化层前的特征图输入到注意力模块，注意力模块能从特征图中判断重要特征得到注意力特征，输出一个坐标值和尺寸大小；

4)、根据步骤3)输出的坐标值和尺寸大小，对输入分类网络1的胎儿心脏图像进行裁剪，得到原始图像中器官区域的子图；

5)、对步骤4)得到胎儿心脏器官子图进行放大处理，得到与原始图像大小一样的胎儿心脏器官图像；

(2)

6)、将处理后的胎儿心脏器官图像数据输入分类网络2，得到分类标签Y 和本次分类(2)

的最大分类概率P ；

7)、在分类网络2后重复步骤3)、4)、5)，得到处理后的胎儿心脏器官细节特征图像，将(3)

此胎儿心脏器官细节特征图像数据输入分类网络3，得到细粒度分类标签Y 和本次分类的(3)

最大分类概率P ，通过对胎儿心脏超声图像进行多粒度识别，得到识别结果。

2.根据权利要求1所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，所述步骤1)堆叠标准块和减少块，得到网络结构相同的胎儿心脏超声图像分类网络1、分类网络2和分类网络3，具体包括：三个分类网络都由20个块组成，第6、11、16块为减少块，其余块为标准块，在训练阶段，采用3层卷积的辅助分类网络对整个网络进行训练；最后，通过全局平均池化层和全连接层输出分类结果。

3.根据权利要求1所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，(1)

所述步骤2)将胎儿心脏超声图像数据输入分类网络1，得到粗分类标签Y 和本次分类的最(1) (1)

大分类概率P ，具体包括：分类标签Y 为分类网络1的输出结果，用来与图像的真实标签t (1)

Y做交叉熵运算来优化分类网络1的网络参数，最大分类概率P 为分类标签中概率最大的值。

4.根据权利要求3所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，所述步骤3)具体包括：将分类网络1中全局平均池化层前的特征图输入到注意力模块，具体包括：

将分类网络1输出的特征图基于通道做全局最大池化和全局平均池化，将池化后的两个结果基于通道做一个联接，然后经过一个卷积操作进行降维，再将特征经过第一个全连接层输出为1024维的特征向量，然后将1024维向量输入到第二个全连接层输出为3维的特征向量，最后将3维的特征向量经过sigmoid函数输出一个坐标值(x,y)和边长尺寸的一半

7×7

l，具体可表示为：Fatt(X)＝sigmoid(fc3(fc1024(f ([MaxPool(X),AvgPool(X)]))))，其中X表示原始图像经过卷积操作得到的特征图，Fatt(X)注意力模块输出值，fc3表示输出维度为3

7×7

的全连接函数fc1024表示输出维度为1024的全连接函数，f 表示卷积核大小为7x7的卷积操作，MaxPool(X)表示最大池化操作，AvgPool(X)表示全局平均池化。

5.根据权利要求4所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，所述步骤4)根据步骤3)输出的坐标值和尺寸大小，对输入分类网络1的胎儿心脏图像进行裁剪，得到原始图像中器官区域的子图，具体包括：坐标值(x,y)为裁剪区域的中心坐标，l为裁剪区域边长的一半，因此裁剪区域的左上坐标为(xl,yl)＝(x‑l,y‑l)、右下坐标为(xr,yr)＝(x+l,y+l)，根据这两个坐标得到需裁剪的正方形区域，在原始图像中裁剪出此区域，得到裁剪后的胎儿心脏器官子图数据。

6.根据权利要求5所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，所述步骤5)对得到胎儿心脏器官子图进行放大处理，具体包括：将胎儿心脏器官子图的尺寸变为与原始图像尺寸大小一样，得到与原始图像大小一样的胎儿心脏器官图像。

7.根据权利要求6所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，(2)

所述步骤6)：将处理后的胎儿心脏器官图像数据输入分类网络2，得到分类标签Y 和本次(2) (2)

分类的最大分类概率P ，其中分类标签Y 为分类网络2的输出结果，用来与图像的真实标t (2)

签Y做交叉熵运算来优化分类网络2的网络参数，P 为本次分类的最大分类概率，用来与P(1)

计算成对排序损失函数来优化注意力模块参数，成对排序损失函数公式表示为：Lrank1＝(1) (2) (1) (2)max(0,P ‑P ‑0.5)，其中P 为分类网络1的最大分类概率，P 为分类网络2的最大分类概率。

8.根据权利要求7所述的一种基于多粒度的胎儿心脏超声图像识别方法，其特征在于，(3)

所述步骤7)将处理后的胎儿心脏器官细节特征图像输入分类网络3，得到分类标签Y 和本(3) (3)

次分类的最大分类概率P ，其中分类标签Y 为分类网络3的输出结果，用来与图像的真实t (3)

标签Y 做交叉熵运算来优化分类网络3的网络参数，P 为本次分类的最大分类概率，用来(2)

与P 计算成对排序损失函数来优化注意力模块参数，成对排序损失函数公式表示为：Lrank2(2) (3) (2) (3)＝max(0,P ‑P ‑0.5)，其中P 为分类网络2的最大分类概率，P 为分类网络3的最大分类概率。