1.一种细胞核图像检测方法，其特征在于，包括：获取显微镜下具有细胞核图像的数据集样本；

采用数据增强方法和数据标准化方法优化所述数据集样本中的细胞核图像；

构建一个端到端的两阶段神经网络架构的Faster‑rcnn变体模型，其中第一个阶段为RPN网络，用于生成初始候选框；第二个阶段为Fast‑rcnn网络，用于对所述初始候选框进行分类和回归；在所述Fast‑rcnn网络中增添一个定位预测头，并将预测检测框的IoU值作为衡量定位质量的指标，以及使用分类质量和定位质量之间的融合分数作为非极大值抑制算法中的排名指标；

通过优化后的所述细胞核图像训练所述Faster‑rcnn变体模型；

将待测试细胞核图像输入至训练好的所述Faster‑rcnn变体模型中进行检测。

2.根据权利要求1所述的细胞核图像检测方法，其特征在于，使用分类质量和定位质量之间的融合分数作为非极大值抑制算法中的排名指标，具体包括：在所述Fast‑rcnn网络中通过分类质量和定位质量之间的融合分数来保留定位边界框；

同时，在非极大值抑制算法中，选择融合分数中具有最高得分的检测框，并衰减与其它所有检测框大于预定义阈值的得分，衰减得分后的真阳性候选框被保留进行检测。

3.根据权利要求2所述的细胞核图像检测方法，其特征在于，通过优化后的所述细胞核图像训练所述Faster‑rcnn变体模型，具体包括：将优化后的所述细胞核图像分批送入到所述Faster‑rcnn变体模型中；

通过所述Faster‑rcnn变体模型最后一层输出的分类预测头中的二元交叉熵损失、定位预测头中的Liou损失与回归预测头中的Smooth‑L1损失，与图像真实标签比较计算损失；

将计算的所述损失在网络中反向传递，得到网络参数的梯度；

通过随机梯度下降优化器调整所述网络参数，使所述损失达到最小。

4.根据权利要求3所述的细胞核图像检测方法，其特征在于，将待测试细胞核图像输入至训练好的所述Faster‑rcnn变体模型中进行检测，具体包括：将待测试细胞核图像输入至训练好的所述Faster‑rcnn变体模型中，输出目标区域的分类概率图、定位概率图与检测框的坐标值；

利用所述分类概率图与所述定位概率图的融合分数当做最终目标区域的分布置信度；

在非极大值抑制算法中，根据所述分布置信度进行排序，选择出具有最高置信度的检测框，并衰减与其它所有检测框大于预定义的阈值的得分，保留衰减得分后的真阳性候选框，以指导所述待测试细胞核图像中每个细胞核的检测。

5.根据权利要求1所述的细胞核图像检测方法，其特征在于，所述Faster‑rcnn变体模型的特征提取网络为resnet50网络，由四个残差块连接而成，用于提取和学习输入图像目标的特征。

6.根据权利要求1所述的细胞核图像检测方法，其特征在于，所述数据增强方法是对所述数据集样本中的细胞核图像进行随机扩展，裁剪，翻转与对比度失真和亮度失真；

所述数据标准化方法是采用线性归一化使所述数据集样本中的细胞核图像样本数据落到[0，1]区间。

7.根据权利要求1所述的细胞核图像检测方法，其特征在于，在构建Faster‑rcnn变体模型之前，还包括：

利用迁移学习对模型进行初始化。