1.一种乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，包括：获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；

将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果；

其中，所述深度学习模型包括：影像组学特征模块、B型超声图像深度学习图像特征模块、剪切波弹性超声深度学习图像特征模块、特征融合模块和Softmax层；其中，所述B型超声图像深度学习图像特征模块的网络结构和所述剪切波弹性超声深度学习图像特征模块的网络结构相同，且所述B型超声图像深度学习图像特征模块与所述剪切波弹性超声深度学习图像特征模块共享权重参数；

所述将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果具体为：将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中，通过所述影像组学特征模块和所述B型超声图像深度学习图像特征模块分别对所述B型超声图像进行特征提取，得到第一特征向量和第二特征向量，通过所述剪切波弹性超声深度学习图像特征模块对所述剪切波弹性超声图像进行特征提取，得到第三特征向量；

其中，所述第一特征向量的获取方法具体包括：

将所述B型超声图像输入到所述深度学习模型中，通过目标特征提取模块对所述B型超声图像进行特征提取，得到目标特征，所述目标特征包括形态特征、直方图特征和灰度纹理特征；其中，所述深度学习模型包括目标特征提取模块；通过所述影像组学特征模块对所述目标特征进行特征提取，得到所述第一特征向量；其中，所述第一特征向量的计算过程为：H＝σ(XWh+bh)；

O＝HW0+b0；

式中，O表示第一特征向量；H表示影像组学特征模块中隐藏层的输出，σ(·)为激活函数，X表示目标特征，Wh表示隐藏层的权重参数，bh表示隐藏层的偏差参数，Wo表示输出层的权重参数，bo表示输出层的偏差参数；

其中，所述第二特征向量的获取方法具体包括：

将所述B型超声图像输入到所述B型超声图像深度学习图像特征模块进行特征提取，得到所述第二特征向量；

通过所述特征融合模块对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征拼接，得到融合特征；

通过所述Softmax层对所述融合特征进行分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。

2.根据权利要求1所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述影像组学特征模块为由输入层、隐藏层和输出层构成的多层感知器网络。

3.根据权利要求1所述的乳腺癌腋窝淋巴结转移状态的检测方法，其特征在于，所述深度学习模型的配置过程为：获取B型超声训练图像和剪切波弹性超声训练图像；

将所述B型超声训练图像和所述剪切波弹性超声训练图像输入到深度学习网络中进行训练，得到所述深度学习模型。

4.一种乳腺癌腋窝淋巴结转移状态的检测装置，其特征在于，包括：获取单元，用于获取病人的腋窝淋巴结部位的B型超声图像和剪切波弹性超声图像；

输入单元，用于将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中进行特征提取、特征融合和分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果；

其中，所述深度学习模型包括：影像组学特征模块、B型超声图像深度学习图像特征模块、剪切波弹性超声深度学习图像特征模块、特征融合模块和Softmax层；其中，所述B型超声图像深度学习图像特征模块的网络结构和所述剪切波弹性超声深度学习图像特征模块的网络结构相同，且所述B型超声图像深度学习图像特征模块与所述剪切波弹性超声深度学习图像特征模块共享权重参数；

所述输入单元具体用于：

将所述B型超声图像和所述剪切波弹性超声图像输入到深度学习模型中，通过所述影像组学特征模块和所述B型超声图像深度学习图像特征模块分别对所述B型超声图像进行特征提取，得到第一特征向量和第二特征向量，通过所述剪切波弹性超声深度学习图像特征模块对所述剪切波弹性超声图像进行特征提取，得到第三特征向量；其中，所述第一特征向量的获取方法具体包括：将所述B型超声图像输入到所述深度学习模型中，通过目标特征提取模块对所述B型超声图像进行特征提取，得到目标特征，所述目标特征包括形态特征、直方图特征和灰度纹理特征；其中，所述深度学习模型包括目标特征提取模块；通过所述影像组学特征模块对所述目标特征进行特征提取，得到所述第一特征向量；其中，所述第一特征向量的计算过程为：H＝σ(XWh+bh)；

O＝HW0+b0；

式中，O表示第一特征向量；H表示影像组学特征模块中隐藏层的输出，σ(·)为激活函数，X表示目标特征，Wh表示隐藏层的权重参数，bh表示隐藏层的偏差参数，Wo表示输出层的权重参数，bo表示输出层的偏差参数；

其中，所述第二特征向量的获取方法具体包括：

将所述B型超声图像输入到所述B型超声图像深度学习图像特征模块进行特征提取，得到所述第二特征向量；

通过所述特征融合模块对所述第一特征向量、所述第二特征向量和所述第三特征向量进行特征拼接，得到融合特征；

通过所述Softmax层对所述融合特征进行分类预测，得到所述病人的乳腺癌腋窝淋巴结转移状态检测结果。

5.根据权利要求4所述的乳腺癌腋窝淋巴结转移状态的检测装置，其特征在于，所述深度学习模型的配置过程为：获取B型超声训练图像和剪切波弹性超声训练图像；

将所述B型超声训练图像和所述剪切波弹性超声训练图像输入到深度学习网络中进行训练，得到所述深度学习模型。

6.一种乳腺癌腋窝淋巴结转移状态的检测设备，其特征在于，所述设备包括处理器以及存储器；

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1‑3任一项所述的乳腺癌腋窝淋巴结转移状态的检测方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1‑3任一项所述的乳腺癌腋窝淋巴结转移状态的检测方法。