1.一种针对超分辨率B超影像的实时影像生成方法，其特征在于：利用单帧生成超分辨率B‑Mode图像的深度神经网络结构及其训练方法，包含以下步骤：步骤a、使用B超设备显示器的单帧数据作为原始数据的输入，同时使用多帧超分辨率增强的图像，两者成为一对，重复本步骤，得到用于训练本发明的神经网络的数据集；

步骤b、准备两种loss用于不同阶段：使用交叉熵loss对黑白影像的灰度进行二分类，初始化网络内部特征和注意力参数，使用MSE作为后阶段细化结果的loss函数；

步骤c、建立深度卷积网络的block结构，产生block的静态图，构建网络整体；

步骤d、使用block结构进行堆叠得到深度卷积网络，生成整个网络的静态图；

步骤e、使用Adam优化器对步骤b中交叉熵loss初始化，待loss下降速率降低为接近平坦时，终止训练，更改loss为MSE loss，进行后续的超分辨率细化，直至产生足够的推理结果提高PSNR；

步骤f、将上述网络权重导出，使用上述网络的静态图，集成并运行在医疗设备中，只进行前向传播。

2.根据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤a在运行和采集样本过程中，直接使用B超设备的显示器输出图像作为原始图像的数据，同时使用高分辨率的模式或使用基于多帧超分辨率的图像增强软件得到图像的增强结果，两者构成用于的神经网络的数据集。

3.根据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤b中建立的loss函数对网络前向传播得到的二维矩阵进行计算，得到loss值作为优化器的反向传播，使用平均方差和交叉熵的评估方法，使用Adam优化器时先使用交叉熵loss对网络参数初始化，区分亮度和隐含的空间特征，再采用MSE loss进行图像细节生成的训练；

两种loss的公式如下： 为MSE loss，其中，(i，j)是

像素的行列位置， 为交叉熵loss，将像素视为一维序列，p为真值，p

为输入的超分辨率图像，q为推理结果。

4.根据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤c中选用Block内部结构为神经网络中逐层的连接进行配置，网络Block分为常规特征提取、下采样和上采样三种，该配置生成网络的静态图，然后将block按照堆叠方式进行配置，构成整个网络的静态图。

5.据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤d中深度卷积神经网络核心block为单入单出的端到端深度卷积神经网络的模块封装，为深度卷积神经网络的子网络，其输入输出的数据是N*C*H*W的四维张量，其中N为输入的三维张量C*H*W的个数，构成的网络是定义网络的静态图。

6.根据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤e中使用两种loss函数和基于梯度下降搜索的优化器，根据不同的阶段，先使用交叉熵loss，再使用MSE loss，优化器进行迭代次数有限的计算，终止条件为loss下降至0.05—

0.04，其中步骤a‑e得到提高输入图像PSNR的深度卷积神经网络的权重。

7.根据权利要求1所述的针对超分辨率B超影像的实时影像生成方法，其特征在于：所述步骤f中经过训练的深度神经网络存储所有神经网络参数，将其导出，并结合步骤d所构建的静态图，运行在计算设备中，同时计算设备按照步骤a的方法将显示器输出的图像作为网络的输入，进而在一台机器中集成边缘计算的单元，直接依靠单帧数据得到PSNR更高的图像，即超分辨率图像。