1.一种基于区块链的神经网络多端融合训练方法，其特征在于：包括以下步骤：步骤一：获取各医院带标签的医疗图像数据进行训练得到各医院的DNN网络，计算各医院DNN网络在测试集上的准确率，获取准确率最高的DNN网络对应的医院产生一个新区块，将该医院的DNN网络存储在新区块中并将新区块链接在区块链上；

步骤二：各医院利用最新区块存储的DNN网络，计算各医院的测试集在该DNN网络上的准确率a1，得到所有医院的准确率集合S1；

各医院根据最新区块存储的DNN网络的参数重新训练网络，利用重新训练的DNN网络计算各医院在测试集上的新准确率a2，得到所有医院的准确率集合S2；

对所有医院重新训练的DNN网络参数求均值，将该均值作为新参数得到一个新DNN网络，提取S2中准确率最高的DNN网络对应的医院产生一个区块，将新DNN网络与S1中的准确率存储在该医院产生的区块中，将该区块作为最新区块进行迭代，所述区块为融合区块；

步骤三：将产生的融合区块按产生次序排列，各医院在融合区块上存储的准确率构成一个准确率变化序列，得到各医院在融合区块上的准确率变化序列，对各医院的准确率变化序列进行均值滤波，根据滤波结果计算各医院的表征能力与医院之间的特征差异，利用各医院的表征能力及医院之间的特征差异对医院进行分类，并确定DNN网络的融合策略；

步骤四：保持DNN网络的融合策略不变，利用融合策略中被选择的医院和步骤二中产生融合区块的方法生成一组新的融合区块，确定DNN网络是否收敛；

若DNN网络收敛，则确定该融合策略为最终的融合方法，若DNN网络未收敛，改变DNN网络的融合策略直至网络收敛；

所述确定DNN网络的融合策略的过程如下：

以各医院为节点，计算医院之间的边权值，得到一个图结构数据，对图结构数据上的节点分类，对每个类别中的所有医院，计算出各医院被选择的概率，提取符合条件的医院；

所述计算各医院被选择的概率的方法如下：

对于分类后包含医院数量最多的类别s，该类别中所有医院被选择概率都为1.0；

除包含医院数量最多的类别的其他类别中，各医院被选择的概率为：式中：P为该医院被选择的概率；a

所述融合策略不变即为各医院被选择的概率不变。

2.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：得到准确率的方法，是将医院所有带标签的医疗图像数据作为数据集，其中80％作为训练集，20％作为测试集,利用训练集训练出DNN网络的参数，并计算出各医院的DNN网络在其测试集上的准确率。

3.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述各医院的表征能力的计算方法如下：

式中：Q为该医院的表征能力；K为准确率变化序列的长度，即融合区块的数量；x对应区块链上的一个区块；

4.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述医院之间的特征差异的计算方法如下：

式中：R

其中波动序列的计算公式如下：

式中：ΔL表示各医院的波动序列；L为各医院的准确率变化序列，

5.根据权利要求1所述的一种基于区块链的神经网络多端融合训练方法，其特征在于：所述医院之间的边权值的计算方法如下：

式中：Q