1.一种深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，包括以下步骤：步骤一：将胎儿超声数据集按照4∶1的比例随机划分为训练集和测试集，对胎儿超声数据集进行预处理，通过随机裁剪、水平翻转、垂直翻转、添加高斯噪声的方式来拓展训练集；

步骤二：搭建DA‑Net网络模型；

步骤三：在训练集上，使用像素位置感知损失对DA‑Net网络模型进行训练，执行分割任务并生成分割模型；

步骤四：在测试集上测试分割模型，根据测试的结果，选择出性能最优的分割模型为最终分割模型；

步骤五：使用最终分割模型进行胎儿小脑超声图像分割，得到分割结果。

2.根据权利要求1所述的深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，步骤二中所述的DA‑Net网络模型的结构为：在原始U‑Net基础上新增加了一层，形成一个六层的U形网络；原始U‑Net的双卷积模块被替换为复合模块CB。

3.根据权利要求2所述的深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，所述的复合模块CB的结构为：由残差级联块RCB和改进的三重注意力模块ITA组成。

4.根据权利要求3所述的深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，所述的残差级联块RCB的结构和设计方法为：通过相加和级联的方式来集成多个不同尺寸的卷积；在残差级联块RCB中，对输入的特征通过一个1×1的卷积和两个3×3的卷积进行滤波，分别得到特征图f_1、f_2和f_3；每次卷积之后都需进行批归一化处理和Relu函数激活；

然后，f_1与f_2相加得到特征图f_4，再将f_3与f_4级联，从而得到最终的输出特征图。

5.根据权利要求3所述的深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，所述的改进的三重注意力模块ITA的结构和设计方法为：步骤1：使用三个平行分支来组成改进的三重注意力模块ITA，将这三个平行分支分别标记为路径(a)、路径(b)和路径(c)；

步骤2：采用有效通道注意力ECA中无需降维的跨通道交互策略对路径(c)进行改进，进而对输入的特征进行处理；

步骤3：对三条路径的输出特征取平均，从而得到最终有效特征图；

其中，路径(a)将输入的特征图X沿H轴逆时针旋转90°以获得形状为W×H×C的特征图X_a，然后X_a通过Z‑pool、7×7的卷积、批处理归一化和sigmoid函数处理，获得注意力权重w_a，接下来，通过点乘的方式对X_a进行加权以生成特征图X_a′，然后，沿H轴顺时针旋转

90°以还原到原始的输入形状，生成特征图M_a；

路径(b)的结构与路径(a)类似；将输入的特征图X沿W轴逆时针旋转90°以获得特征图X_b，接下来，经过Z‑pool、7×7卷积、批处理归一化和sigmoid函数处理来获得注意力权重w_b，然后，对X_b进行点乘加权来获得特征图X_b′，最后，x_b′沿W轴顺时针旋转90°以还原到原始的输入形状，从而生成特征图M_b；

在路径(c)中，对输入的特征图K进行全局平均池化、3×3的卷积、批归一化和sigmoid函数处理，以得到注意力权重w_c，最后，通过点乘进行加权，得到特征图M_c；

路径(a)和路径(b)中的z‑pool层负责连接平均池化和最大池化获得的特征，用公式(1)表示：z‑pool(x)＝[MaxPool0d(x)，AvgPool0d(x)]，    (1)其中，0d表示发生最大池化和平均池化操作的第0维，MaxPool(x)表示最大池化，AvgPool(x)表示平均池化。

6.根据权利要求1所述的深度注意力网络的胎儿小脑超声图像分割方法，其特征在于，步骤三中所述的像素位置感知损失为：像素位置感知损失由加权IoU损失和BCE损失组成，其定义为公式(2)：在公式(2)中，L表示PPA损失， 表示加权IoU损失， 表示加权BCE损失。