1.一种基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述基于空间位置引导的X光片桡骨远端骨折分类方法，包括：将原始手腕部X光图像输入至关节面目标检测模型，得到桡骨关节面检测结果，并对检测结果进行裁剪，得到关节面感兴趣区域IROI；

将关节面感兴趣区域IROI输入至关节面分割模型，得到桡骨关节面的分割结果Iseg；

将关节面感兴趣区域IROI和分割结果Iseg输入至桡骨远端骨折分类模型，得到骨折分类结果和骨折类别可视化结果图；

其中，所述桡骨远端骨折分类网络包括分类第一卷积层、分类第二池化层、分类第三卷积层、分类第四残差层、分类第五卷积层、分类第六残差层、分类第七卷积层、分类第八残差层、分类第九残差层、两个全连接层、多编码模块和特征融合模块，所述将关节面感兴趣区域IROI和分割结果Iseg输入至桡骨远端骨折分类网络，得到骨折分类结果和骨折类别可视化结果图，包括：步骤3.1、将关节面感兴趣区域IROI依次输入至卷积核大小为7×7的分类第一卷积层，池化核大小为3×3的分类第二池化层，得到特征图Fb1，其维度大小为Cb1×Hb1×Wb1；

步骤3.2、将分割结果Iseg输入至卷积核大小为1×1和3×3的分类第三卷积层，得到特征图Fp1，其维度大小与Fb1一致，之后将Fp1和Fb1输入至特征融合模块，得到特征图Fbp1，其维度大小与Fb1一致；

步骤3.3、将特征图Fbp1输入至分类第四残差层，所述分类第四残差层包括三个卷积核大小为1×1、3×3和1×1的残差块，得到特征图Fb2，其维度大小为Cb2×Hb2×Wb2；

步骤3.4、将特征图Ep1输入至卷积核大小为1×1和3×3的分类第五卷积层，得到特征图Fp2，其维度大小与Fb2一致，之后将Fp2和Fb2输入至特征融合模块，得到特征图Fbp2，其维度大小与Fb2一致；

步骤3.5、将特征图Fbp2输入至分类第六残差层，所述分类第六残差层包括四个卷积核大小为1×1、3×3和1×1的残差块，得到特征图Fb3，其维度大小为Cb3×Hb3×Wb3；

步骤3.6、将特征图Ep2输入至卷积核大小为1×1和3×3的分类第七卷积层，得到特征图Fp3，其维度大小与Fb3一致，之后将Fp3和Fb3输入至特征融合模块，得到特征图Fbp3，其维度大小与Fb3一致；

步骤3.7、将特征图Fbp3输入至分类第八残差层，所述分类第八残差层包括六个卷积核大小为1×1、3×3和1×1的残差块，得到特征图Fb4，其维度大小为Cb4×Hb4×Wb4；

步骤3.8、将特征图Fb4输入至分类第九残差层，所述分类第九残差层包括三个卷积核大小为1×1、3×3和1×1的残差块，得到特征图Fb5，其维度大小为Cb5×Hb5×Wb5；

步骤3.9、将特征图Fb5分别进行最大池化和最小池化操作，之后将得到的两个特征图按通道进行拼接，再输入至两个全连接层，得到骨折分类预测分向量O1，其维度大小为1×2；

步骤3.10、将特征图Fb4输入至多编码模块，得到骨折分类预测分向量O2，其维度大小和O1一致，以及骨折类别可视化结果图；

步骤3.11、将O1和02进行加权求和，得到总的骨折分类预测向量Ofinal，其维度大小和O1一致，将Ofinal中每个值使用如下公式进行激活，得到A型骨折和B型骨折的概率，取概率较大的类别作为最终的骨折分类结果：

2.根据权利要求1所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述目标检测模型包括目标检测第一卷积层、目标检测第二残差层、目标检测第三残差层、目标检测第四残差层、目标检测第五卷积层、最大池化层、目标检测第六卷积层、目标检测第七卷积层、目标检测第八卷积层、目标检测第九卷积层、目标检测第十卷积层和目标检测第十一卷积层，所述将原始手腕部X光图像输入至关节面目标检测模型，得到桡骨关节面检测结果，并对检测结果进行裁剪，得到关节面感兴趣区域IROI，包括：步骤1.1、将原始手腕部X光图像输入至卷积核大小为3×3的目标检测第一卷积层，得到特征图F1，其维度大小为C1×H1×W1；

步骤1.2、将特征图F1输入至目标检测第二残差层中，所述目标检测第二残差层包括三个残差卷积块，得到特征图F2，其维度大小为C2×H2×W2；

步骤1.3、将特征图F2输入至目标检测第三残差层中，所述目标检测第三残差层包括一个残差卷积块，得到特征图F3，其维度大小为C3×H3×W3；

步骤1.4、将特征图F3输入至目标检测第四残差层中，所述目标检测第四残差层包括一个残差卷积块，之后输入至目标检测第五卷积层，所述目标检测第五卷积层包括卷积核大小为1×1、3×3和1×1的卷积块，得到特征图F4，其维度大小为C4×H4×W4；

步骤1.5、将特征图F4输入至最大池化层中，所述最大池化层包括大小分别为5×5、9×

9、13×13的池化核，并使用零填充方法使得输出特征图的尺寸大小保持不变，之后将三个输出特征图按通道进行拼接输入至目标检测第六卷积层，所述目标检测第六卷积层包括卷积核大小为1×1、3×3和1×1的卷积块，得到特征图F5，其维度大小和F4一致；

步骤1.6、将特征图F5进行上采样，之后与F3按通道进行拼接，并输入至目标检测第七卷积层，所述目标检测第七卷积层包括卷积核大小为1×1和3×3的卷积块，得到特征图F6，其维度大小和F3一致；

步骤1.7、将特征图F6进行上采样，之后与F2按通道进行拼接，并输入至目标检测第八卷积层，所述目标检测第八卷积层包括卷积核大小为1×1、3×3、1×1、3×3和1×1的卷积块，得到特征图F7，其维度大小和F2一致；

步骤1.8、将特征图F7进行下采样，之后与F6按通道进行拼接，并输入至目标检测第九卷积层，所述目标检测第九卷积层包括卷积核大小为1×1、3×3、1×1、3×3和1×1的卷积块，得到特征图F8，其维度大小和F3一致；

步骤1.9、将特征图F8进行下采样，之后与F5按通道进行拼接，并输入至目标检测第十卷积层，所述目标检测第十卷积层包括卷积核大小为1×1、3×3、1×1、3×3和1×1的卷积块，得到特征图F9，其维度大小和F4一致；

步骤1.10、将F7、F8和F9分别输入至目标检测第十一卷积层，所述目标检测第十一卷积层包括卷积核大小为3×3和1×1的卷积块，得到输出结果一P1，其维度大小为18×H2×W2，输出结果二P2，其维度大小为18×H3×W3，以及输出结果三P3，其维度大小为18×H4×W4；

步骤1.11、将三个输出结果得到的预测框进行非极大值抑制操作，得到关节面检测结果，并对其进行裁剪，得到关节面感兴趣区域IROI。

3.根据权利要求1所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述分割模型包括分割第一卷积层、分割第二卷积层、分割第三卷积层、分割第四卷积层、分割第五卷积层、分割第六卷积层、分割第七卷积层、分割第八卷积层、分割第九卷积层和分割第十卷积层，所述将关节面感兴趣区域IROI输入至分割模型，得到桡骨关节面的分割结果Iseg，包括：步骤2.1、将关节面感兴趣区域IROI输入至分割第一卷积层，所述分割第一卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fen1，其维度大小为Ca1×Ha1×Wa1；

步骤2.2、将特征图Fen1进行最大池化操作，并输入至分割第二卷积层，所述分割第二卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fen2，其维度大小为Ca2×Ha2×Wa2；

步骤2.3、将特征图Fen2进行最大池化操作，并输入分割第三卷积层，所述分割第三卷积层包括至两个卷积核大小为3×3的卷积块，得到特征图Fen3，其维度大小为Ca3×Ha3×Wa3；

步骤2.4、将特征图Fen3进行最大池化操作，并输入至分割第四卷积层，所述分割第四卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fen4，其维度大小为Ca4×Ha4×Wa4；

步骤2.5、将特征图Fen4进行最大池化操作，并输入至分割第五卷积层，所述分割第五卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fen5，其维度大小为Ca5×Ha5×Wa5；

步骤2.6、将特征图Fen5进行上采样，之后与Fen4按通道进行拼接，并输入至分割第六卷积层，所述分割第六卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fup1，其维度大小与Fen4一致；

步骤2.7、将特征图Fup1进行上采样，之后与Fen3按通道进行拼接，并输入至分割第七卷积层，所述分割第七卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fup2，其维度大小与Fen3一致；

步骤2.8、将特征图Fup2进行上采样，之后与Fen2按通道进行拼接，并输入至分割第八卷积层，所述分割第八卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fup3，其维度大小与Fen2一致；

步骤2.9、将特征图Fup3进行上采样，之后与Fen1按通道进行拼接，并输入至分割第九卷积层，所述分割第九卷积层包括两个卷积核大小为3×3的卷积块，得到特征图Fup4，其维度大小与Fen1一致；

步骤2.10、将特征图Fup4输入至分割第十卷积层，所述分割第十卷积层包括卷积核大小为3×3、3×3和1×1的卷积块，得到桡骨关节面的分割结果Iseg。

4.根据权利要求2所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述的残差卷积块，由1×1卷积操作和残差块组成，残差块分别重复执行了1次、2次、8次、8次和4次。

5.根据权利要求1所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述特征融合模块，包括批量归一化层、像素相加操作和激活层。

6.根据权利要求1所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述将特征图Fb4输入至多编码模块，得到骨折分类预测分向量O2，包括：(1)对输入特征图Fb4进行通道空间注意力提取操作，得到特征图Fm1；

(2)将特征图Fm1分别进行全局最大池化和全局平均池化，得到两个特征图，之后将两个特征图按通道进行拼接并输入至两个全连接层，得到特征向量V1；

(3)将Fb4进行类激活操作，计算Fb4每个位置的梯度，再通过全局平均池化操作，得到Fb4每个通道的平均梯度 将 对Fb4进行加权并经过激活操作，得到类别激活图Fcam；

(4)将Fb4进行两次并行的1×1卷积操作并进行维度转换操作，得到特征图Fq，其维度为Hb4Wb4×Cb4，特征图Fk，其维度为Cb4×Hb4Wb4；

(5)将Fq和Fk进行相乘操作、激活操作，之后将输出与Fcam进行相乘操作，得到骨折类别可视化结果图；

(6)将骨折类别可视化结果图分别进行全局最大池化和全局平均池化，得到两个特征图，之后将两个特征图按通道进行拼接并输入至两个全连接层，得到特征向量V2；

(7)将V1和V2进行相加，得到骨折分类预测分向量。

7.根据权利要求6所述的基于空间位置引导的X光片桡骨远端骨折分类方法，其特征在于，所述对输入特征图Fb4进行通道空间注意力提取操作，得到特征图Fm1，包括：(1)将输入特征图分别进行全局最大池化和全局平均池化，并输入至两个全连接层，得到两个特征图，之后将两个特征图按像素相加并进行激活操作，得到特征图f1；

(2)将特征图f1和输入特征图进行相乘操作，得到特征图f2；

(3)将特征图f2分别进行基于通道的全局最大池化和全局平均池化，得到两个特征图，之后将两个特征图按通道进行拼接，得到特征图f3；

(4)将特征图f3输入至卷积核大小为7×7的卷积层，并进行激活操作，得到特征图f3；

(5)将特征图f3和特征图f2进行相乘操作，得到用以输出的特征图。