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；

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；

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；

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。

2.根据权利要求1所述的一种基于深度神经网络的脊柱定位方法，其特征在于：所述深度卷积神经网络为ResNet101网络，深度反卷积网络为3层4×4的深度反卷积网络。

3.根据权利要求1所述的一种基于深度神经网络的脊柱定位方法，其特征在于：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)Hvert＝HRvert*λ+HUvert*(1‑λ)     (2)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。

4.根据权利要求1所述的一种基于深度神经网络的脊柱定位方法，其特征在于：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。

5.根据权利要求1所述的一种基于深度神经网络的脊柱定位方法，其特征在于：所述步骤D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。