1.一种基于深度神经网络的脊柱定位方法，其特征在于：包括以下步骤：

A、采用传统特征提取模块提取传统通用特征，所述传统特征提取模块包括深度卷积神经网络和深度反卷积网络；

所述深度卷积神经网络为ResNet101网络，采用下采样率为8的传统检测或分类的特征提取的网络，将脊柱核磁影像图片信息映射成256维，宽高分别为输入图像宽高的1/8的特征向量，用此特征向量来稀疏表示脊柱的传统图像信息；所述深度反卷积网络为3层4×4的深度反卷积网络，将提取出的脊柱的传统图像信息，映射到与输入的脊柱核磁影像图片相同大小，维度为256的像素级别的脊柱的传统图像信息；

B、采用医学特征提取模块提取专门的医学影像特征，所述医学特征提取模块包括经修改的UNet网络，所述UNet网络的输出通道数为256；

C、采用定位模块对传统特征提取模块和医学特征提取模块提取出的特征进行处理，得到锥体与椎间盘的具体位置，所述定位模块包括锥体定位网络、锥间盘定位网络和定位融合部分；

所述锥体定位网络采用3层1×1的卷积网络，其中前两层网络输出维度都为256维，最后一层卷积输出通道数为6维，从而将传统特征提取模块与医学影像特征提取模块得到的特征生成用于脊柱定位的heatmap图，其中heatmap根据锥体间的位置关系进行排布；

所述锥间盘定位网络采用3层1×1的卷积网络，其中前两层网络输出维度都为256维，最后一层卷积输出通道数为5维，从而将传统特征提取模块与医学影像特征提取模块得到的特征，生成用于椎间盘定位的heatmap图，其中heatmap根据锥间盘间的位置关系进行排布；

采用定位模块中的定位融合部分对定位网络I和定位网络Ⅱ生成的结果进行融合，融合公式如下：Hdisc＝HRdisc*λ+HUdisc*(1‑λ)     (1)

其中HRdisc与HUdisc分别表示传统通用特征与医学影像特征经锥体定位网络得到的定位heatmap图，Hdisc为融合后的锥体定位的heatmap图，HRvert与HUvert表示传统通用特征与医学影像特征经锥间盘定位网络得到的定位heatmap图，Hvert为融合后的椎间盘定位的heatmap图；

D、将所述传统特征提取模块、医学特征提取模块和定位模块组成系统，采用多任务损失分别对定位网络I和定位网络Ⅱ进行单独训练，且训练过程两个网络采用的定位标签以及医学影像图片相同；所述定位网络I包括传统特征提取模块、锥体定位网络和锥间盘定位网络，定位网络Ⅱ包括医学特征提取模块、锥体定位网络和锥间盘定位网络；

对定位网络I采用损失函数进行单独训练，对应的损失函数如下：

其中HD为椎间盘定位的标签，HV为锥体定位标签，HRd为传统特征提取模块结合椎间盘定位网络估计出的椎间盘定位生成的heatmap，同理HRv为传统特征提取模块结合椎体定位网络估计锥体定位生成的heatmap，α为岭回归系数，是一个超参数，w为所述的定位网络的权重；

对定位网络Ⅱ采用损失函数进行单独训练，所述损失函数如下：

其中，HD为椎间盘定位的标签，HV为锥体定位标签，HUd为医学特征提取模块结合椎间盘定位网络估计出的椎间盘定位生成的heatmap，同理HUv为传统特征提取模块结合椎体定位网络估计锥体定位生成的heatmap，α为岭回归系数，w1为前此定位网络的权重；

所述训练采用的定位标签为：

其中，u为特征图H上任意一点的坐标，c为定位点的实际坐标，Δ为超参数，用于防止分母项为零。