1.一种基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，包括以下步骤：采集训练样本块；

构建融入深监督机制的位置生成网络；

将所述训练样本块输入所述位置生成网络，获得细胞核的候选点以及偏移量估值；

根据所述细胞核的候选点和所述偏移量估值，获得增广输入特征；

构建迭代校正网络；

将所述增广输入特征作为所述迭代校正网络的输入，将上次估计的偏移量与真实值之间的残差作为真实值，获得当前偏移量的预测值；

将所述当前偏移量的预测值作为输入，根据当前估计的偏移量更新残差，并将更新后的残差作下一轮模型训练的新真值；

同时根据新预测的偏移量进行平移，获取新的差分图像块，并与原候选点图像块进行逐块串联，获得新的增广输入矩阵；

将所述新的增广输入特征作为下一轮模型的输入，从而不断通过迭代修正逐步减小误差，获得细化后的候选点位置；

训练完成后，获得训练好的位置生成网络模型和训练好的迭代校正网络模型；

将待检测组织病理学图像依次输入所述训练好的的位置生成网络模型和所述训练好的迭代校正网络模型，并通过非最大抑制算法去除冗余目标，获得细胞核检测结果。

2.如权利要求1所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，所述训练样本块包括正样本和负样本；

所述正样本的采样是以组织病理学图像数据库中细胞核的人工标签中心点的位置为参照点，进行随机偏移，以偏移后的位置为中心采样图像块，所述正样本包含图像块的类别信息和中心偏移量信息；

所负样本的采集由随机采样产生，仅包含图像块的类别信息。

3.如权利要求1所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，所述位置生成网络包括：主干网络、侧输出层和加权融合层；

所述主干网络为CNN；

所述侧输出层有多个，各所述侧输出层的输入端分别连接到CNN的每个池化层和最后一个卷积层；

各所述侧输出层的输出端均与所述加权融合层连接。

4.如权利要求1所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，所述根据细胞核的候选点和所述偏移量估值，获得增广输入特征的步骤包括：对所述训练样本中的每幅病理图像分别以所述候选点为中心截取获得原候选点图像块；

对所述训练样本中的每幅病理图像分别根据所述偏移量估值进行平移后截取获得偏移图像块；

根据所述原候选点图像块和所述偏移图像块获得增广输入特征。

5.如权利要求4所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，所述根据原候选点图像块和所述偏移图像块获得增广输入特征的步骤包括：将所述原候选点图像块与所述偏移图像块进行差分相减，获得差分图像块；

将所述差分图像块作为新的信息与所述原候选点图像块进行逐块串联，获得增广输入特征。

6.如权利要求1所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，在对所述位置生成网络和所述迭代校正网络进行训练过程中，采用反向传播和随机梯度下降优化方法最小化目标函数。

7.如权利要求1所述的基于迭代校正的组织病理学图像细胞核检测方法，其特征在于，所述训练位置生成网络的步骤中，位置生成网络的目标函数由分类损失和位置回归损失两部分组成：所述分类损失用于进行图像块的二值分类，即有核和无核，由交叉熵函数定义，表示如下：其中，c表示输入图像块的二值标签真值，即，非细胞核图像块为0，细胞核图像块为1，是用Softmax分类器获得的[0，1]中的预测核概率，i为索引，表示当索引为i时用Softmax分类器获得的[0，1]中的预测核概率，ci表示当索引为i时输入图像块的二值标签真值；

所述回归损失由欧几里德L2范数定义，表示如下：

其中，1(·)是指示函数，表示回归计算中只涉及正锚点，(x,y)是图像块中细胞核的中心偏移量的真值， 是位置生成网络估计的偏移量，i为索引，(xi,yi)是当索引为i时图像块中细胞核的中心偏移量的真值, 是当索引为i时位置生成网络估计的偏移量；

结合侧输出层和加权融合层来计算位置生成网络的总体目标函数如下：其中W表示位置生成网络需要学习的所有参数，k表示不同的侧输出层，fuse表示加权融合层，λ是平衡分类和回归任务的超参数。

8.一种基于迭代校正的组织病理学图像细胞核检测装置，其特征在于，包括以下模块：训练样本块采集模块，用于采集训练样本块；

位置生成网络构建模块，用于构建融入深监督机制的位置生成网络；

候选点获得模块，用于将所述训练样本块输入所述位置生成网络，获得细胞核的候选点以及偏移量估值；

输入特征增广模块，用于根据所述细胞核的候选点和所述偏移量估值，获得增广输入特征；

迭代校正网络构建模块，用于构建迭代校正网络；

候选点细化模块，用于将所述增广输入特征作为所述迭代校正网络的输入，将上次估计的偏移量与真实值之间的残差作为真实值，获得当前偏移量的预测值；将所述当前偏移量的预测值作为输入，根据当前估计的偏移量更新残差，并将更新后的残差作下一轮模型训练的新真值；同时根据新预测的偏移量进行平移，获取新的差分图像块，并与原候选点图像块进行逐块串联，获得新的增广输入矩阵；将所述新的增广输入特征作为下一轮模型的输入，从而不断通过迭代修正逐步减小误差，获得细化后的候选点位置；

检测模型获得模块，用于训练完成后，获得训练好的位置生成网络模型和训练好的迭代校正网络模型；

细胞核检测模块，用于将待检测组织病理学图像依次输入所述训练好的的位置生成网络模型和所述训练好的迭代校正网络模型，并通过非最大抑制算法去除冗余目标，获得细胞核检测结果。