1.一种MRI图像的帕金森病分类及标注病灶区域的方法，其特征在于，包括步骤：构造MRI图像的帕金森病分类模型；

构造帕金森病病灶标注模型；

使用MRI图像的帕金森病分类模型，对待测MRI图像进行分类；

对分类确定为帕金森病MRI图像或者帕金森病潜伏期MRI图像，使用帕金森病病灶标注模型标注出病灶区域。

2.如权利要求1所述的一种MRI图像的帕金森病分类及标注病灶区域的方法，其特征在于，所述构造MRI图像的帕金森病分类模型，包括：

1.1构造分类模块；

所述分类模块包括：依次连接的卷积层、第一最大池化层、第一密集块、第一过渡层、第二密集块、第二过渡层、第三密集块、第三过渡层、第四密集块、第二最大池化层、全连接层和softmax分类器；还包括：在第二密集块、第三密集块、第四密集块前建立连接，使每一层的输入来自之前所有层的输出；

所述卷积层的卷积核大小为7*7，步长为2；

所述第一最大池化层的卷积核大小为3*3，步长为2；

所述第二最大池化层的卷积核大小为7*7；

所述第一密集块、第二密集块、第三密集块和第四密集块的结构均为：依次连接的第一批归一化层、第一激活层、卷积核大小为1*1的第一卷积层、第二批归一化层、第二激活层、卷积核大小为3*3的第二卷积层、第三批归一化层、第三激活层、卷积核大小为1*1的第三卷积层；所述第一激活层、第二激活层和第三激活层均使用Relu函数；

所述第一过渡层、第二过渡层和第三过渡层的结构均为：依次连接的卷积核大小为1*1的卷积层、卷积核大小为2*2的平均池化层；

所述分类模块使用Adam优化器，使用交叉熵作为损失函数；

1.2将训练集输入分类模块，并通过反向传播更新网络参数，得到MRI图像分类模型；所述训练集包括多张帕金森病MRI图像、多张正常MRI图像和多张帕金森病潜伏期MRI图像。

3.如权利要求1所述的一种MRI图像的帕金森病分类及标注病灶区域的方法，其特征在于，所述构造帕金森病病灶标注模型，包括：

2.1构造帕金森病病灶标注模块；

所述帕金森病病灶标注模块包括依次连接的特征提取部分、RPN层、ROIpooling层；

所述特征提取部分，包括依次连接的VGG‑16、第一卷积层、激活层、第一全连接层、第二全连接层、第三全连接层；所述VGG‑16中，卷积层卷积核大小均为3*3，填充为1，步长为1；所述VGG‑16中，池化层卷积核大小均为2*2，填充为0，步长为2；所述第一卷积层与VGG‑16中卷积层相同；所述激活层使用Relu函数；

所述RPN层通过3*3的卷积，按照长宽比{1:2,1:1,2:1}生成九个anchors；对anchors进行二分类时IoU阈值设置为0.7，大于阈值的样本label为1，小于0.3的样本label为0，其余样本label为‑1；使用非极大值抑制取前100个anchor box；

所述帕金森病病灶标注模块的损失函数为：Lcls＝‑logpu，pu是u为positive对应的概率；

u

t为预测参数，v为真实平移缩放参数，g为Smooth L1：

2.2将多张帕金森病MRI图像和多张帕金森病潜伏期MRI图像分别进行预处理，得到训练集；所述预处理为：将MRI图像映射成三份，分别经过1*1的卷积；将第一份的输出转置后与第二份的输出相乘，再经过softmax归一化得到带注意力的特征图；再将带注意力的特征图和第三份的输出逐像素点相乘，得到自适应注意力的特征图；

2.3将训练集输入帕金森病病灶标注模块，并通过反向传播更新网络参数，得到MRI图像帕金森病病灶标注模型。