1.一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于，包括以下步骤：

1)对胎儿心脏超声图像数据集中的图像进行预处理；

2)构建全域注意力模块；

3)利用步骤2)得到的全域注意力模块来构建胎儿心脏分割模型；

4)构建与步骤3)所述胎儿心脏分割模型的编码器相同的网络，并在无标签胎儿心脏超声图像数据集上使用自监督方法训练优化该网络，得到该网络的网络参数；

5)利用步骤4)得到的网络参数初始化胎儿心脏分割模型的编码器的网络参数，并利用带标签的胎儿心脏超声图像数据训练优化整个胎儿心脏分割模型；

6)将超声图像传入步骤5)得到的胎儿心脏分割模型，经过该模型计算后，得到心脏分割结果。

2.根据权利要求1所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：步骤1)所述预处理包括将超声图像进行裁剪为统一大小。

3.根据权利要求1所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：步骤2)所述构建全域注意力模块包括，利用全局平均池化操作、全局最大池化操作、激活函数操作从不同维度方向来构建通道注意力网络、空间注意力网络、位置注意力网络，利用这三种网络构成全域注意力模块。

4.根据权利要求3所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：所述全域注意力模块处理输入特征图X的过程如下：(1)特征图X进行通道域的处理：特征图X分别经过基于宽、高的平均池化操作和基于宽、高的最大池化操作处理为两个c×1×1的特征，获得通道方向的特征；然后将这两者经过共享全连接MLP层处理得到两个c×1×1的特征；随后将两者相加及Sigmoid函数处理后获得通道权重Mc(X)，将Mc(X)与输入特征图X相乘，得到通道域融合的特征图X′；

(2)特征图X′进行空间域的处理：首先特征图X′分别经过基于通道的最大池化操作和平均池化操作，然后将得到的两个特征结果在通道方向进行拼接，然后经过一个卷积操作，将通道降维为1个通道，最后经过Sigmoid生成空间域权重Ms(X′)，随后将该空间域权重Ms(X′)与输入特征图X′相乘，得到空间域融合的特征图X″；

(3)特征图X″进行位置域的处理：特征图X″分别经过基于高的最大池化操作和平均池化操作、同时分别经过基于宽的最大池化操作和平均池化操作，即在水平坐标使用池核(H,

1)对输入特征图X″进行编码，在垂直坐标使用池核(1,W)对输入特征图X″进行编码；然后将这4个结果在高度维度进行拼接，将合并的结果再经过一个卷积操作后，再拆分到垂直方向和水平方向的4个位置信息特征，将四个特征经过Sigmoid生成位置域的注意力权重。

5.根据权利要求1所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：步骤3)所述胎儿心脏分割模型由一个具有下采样过程的编码器和一个具有上采样过程的解码器构成，其中编码器与解码器之间相对称的网络层由跳连接相连，并在跳连接的拼接操作后添加全域注意力模块。

6.根据权利要求1所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：步骤4)所述训练优化网络中使用动量对比自监督方法来优化编码器网络的参数，编码器Q与编码器K具有相同的网络结构，编码器Q产生样本编码q，编码器K产生样本编码k；

构建样本编码队列，当前批次的超声样本编码入队，而队列中最早批次的超声图像样本编码出队；对编码器K使用移动平均更新，对编码器Q使用梯度下降更新。

7.根据权利要求1所述一种基于自监督迁移和全域注意力的胎儿心脏分割方法，其特征在于：所述步骤5)具体包括，将步骤4)得到网络参数迁移到胎儿心脏分割模型的编码器中，并利用带标签的胎儿心脏数据集训练优化整个胎儿心脏分割模型，使用的损失函数为对比分割损失LCS，如下式：该损失函数由两部分组成，第一部分用于衡量不同类别特征向量的差异性，第二部分计算每个像素的分割预测结果与分割标签之间的差异，其中，LCS为对比分割损失，q为图像+样本编码，k为正图像样本编码， 为负图像样本编码，M为队列的大小，τ为温度超参数，w、h分别为图像的宽、高，yij为位置i、j处的真实标签，y′ij为位置i、j处的类别预测值。

8.一种计算机可读存储介质，其存储有计算机程序，其特征在于：运行所述程序以实现如权利要求1‑7任一项所述的基于自监督迁移和全域注意力的胎儿心脏分割方法。