1.一种基于卷积神经网络的胎儿小脑分割方法，其特征在于，包括以下步骤：步骤一：收集样本，标注标签，按照8:2的比例将数据集随机划分为训练集和测试集；通过随机裁剪、水平翻转、旋转方式来进行数据增强，解决医学数据集过小问题；

步骤二：搭建FCRB‑U‑Net网络模型，采用全连接残差模块替代双卷积操作，并在有效注意力模块的监督下提取图像特征，在解码器端添加特征重用模块，实现深层特征的传播与复用；

步骤三：在训练集上，对FCRB‑U‑Net进行训练，执行分割任务并生成分割模型；

步骤四：在测试集上测试模型，根据测试的结果，选择出性能最优的模型为最终模型，并保存下来。

2.根据权利要求1所述的基于卷积神经网络的胎儿小脑分割方法，其特征在于，步骤一中所述的数据增强的具体内容和方法为：(1)采用随机裁剪，直接裁剪出固定大小的影像输入网络；

(2)影像中的目标结构可能处于任意位置，因此取概率p为0.5随机抽取训练数据进行上下、左右翻转；

(3)采用高斯模糊的方式对胎儿超声图像进行增强，缓解伪影和信号振幅因素对准确分割目标结构的干扰。

3.根据权利要求1所述的基于卷积神经网络的胎儿小脑分割方法，其特征在于，步骤二中所述的FCRB‑U‑Net网络模型的结构为：FCRB‑U‑Net选用U‑Net作为骨干网络，采用一种全连接的残差模块(Fully Connected Residual Block，FCRB)，来替换原来的双卷积，弥补卷积过程中有效信息的丢失，获得更丰富、更全面的语义信息；在每一个FCRB模块后添加有效注意力模块(Efficient Channel Attention，ECA)，来增强有效特征信息的提取，抑制无效特征信息；在解码器端增加特征重用模块(Feature Reuse Module，FRM)，实现深层信息的传播与复用；对于输入的超声胎儿小脑图像，使用FCRB‑U‑Net进行特征提取以及还原，最终输出模型对目标结构的预测图；该网络模型的训练方案是采用二元交叉熵函数作为损失函数进行训练的。

4.根据权利要求3所述的基于卷积神经网络的胎儿小脑分割方法，其特征在于，所述FCRB‑U‑Net中全连接的残差模块FCRB的结构为：利用残差的思想，将原始的数据与经过一次3*3卷积提取到的语义信息，以及经过两次

3*3卷积得到的特征信息在归一化和使用Relu函数激活后，按w1：w2：w3的比例相加起来，实现深层特征和浅层特征高度结合，也不放弃中层信息；此处，w1、w2和w3都设置为1。

5.根据权利要求3所述的基于卷积神经网络的胎儿小脑分割方法，其特征在于，所述FCRB‑U‑Net中有效注意力模块ECA的结构为：首先对输入的特征，使用全局平均池化聚合成通道描述向量，其公式为：C×1

其中，vc∈R ，uc代表通道c上的局部特征，HW分别表示输入特征的高和宽；其次，为了避免多层感知机产生大量的参数，有效注意力模块使用一维卷积对特征向量进行计算，使用核为3，步长为1，padding为1的卷积滑动计算；最后由Sigmoid函数将得到的向量概率化，与输入的特征点乘进行加权，得到输出特征；有效注意力模块具体定义为公式：其中，w1D表示核为3的一维卷积，σ表示非线性Sigmoid函数。

6.根据权利要求3所述的基于卷积神经网络的胎儿小脑分割方法，其特征在于，所述FCRB‑U‑Net中特征重用模块FRM的结构为：将FCRB‑U‑Net网络中第五层、第六层、第七层、第八层经过有效注意力模块加强之后的结果分别上采样到相同的大小，即512*512，维度数分别变换为c1、c2、c3、c4，这里c1、c2、c3、c4分别取6、10、16、32，再将它们与第九层的相连，第九层维度为64，相连之后总维度为

128；同时，为了防止过拟合，提高分割模型的泛化能力，在解码器网络中进行卷积操作后，加入批量归一化(BN)。