1.一种基于多时相融合的多任务分类系统，其特征在于，包括输入模块、神经网络模块、特征融合模块以及输出模块；
所述输入模块，用于接收用户输入的核磁共振影像的动态对比增强(dce)影像的第一时相和第三时相的数据，然后将其输入到神经网络模块中；
所述神经网络模块包括卷积层，池化层以及全连接层，其中卷积层对输入的图像进行分析；池化层进一步缩小特征节点，全连接层用于进行多任务分类；
所述特征融合模块对特征进行拼接；
所述输出模块用于对任务分类结果进行输出显示。
2.一种基于多时相融合的多任务分类方法，基于权利要求1所述的一种基于多时相融合的多任务分类系统实现，其特征在于，具体包括以下步骤：
步骤1：将核磁共振影像的动态对比增强(dce)影像的第一时相和第三时相进行预处理，将数据转换成统一的jpg格式；
步骤2：将第一时相和第三时相的dce影像在特征融合模块进行特征融合，分别将第一时相和第三时相的特征进行相加、相乘、取最大值，然后将相加，相乘和最大值得到的结果进行拼接；
步骤3：按照多任务中每个任务的相关性以及学习能力，计算任务的权重信息，更改任务的权重信息，在任务的运行过程中，权重随着迭代次数的变化而变化，通过权重调整策略来平衡不同任务之间的学习进度；
步骤4：对神经网络进行训练；
步骤5：使用卷积神经网络对测试集进行测试，测试集包含dce影像的第一个和第三个时相的数据，输出组织学分级，分子分型，淋巴结是否转移和ki-67高低水平的分类预测结果。
3.根据权利要求2所述的一种基于多时相融合的多任务分类方法，其特征在于，步骤3中所述多任务具体包括淋巴结(lymphnode)是否转移，组织学分级(histologicalgrading)，分子分型(moleculartyping)和ki67(肿瘤标志物，是一种免疫组织化学标记物)表达水平；其中淋巴结是否转移分为是和否两种情况，是用1来表示，否用0来表示；组织学分级分为大于2和小于等于2两种情况，大于2用1来表示，小于等于2用0来表示；分子分型分为管腔上皮a型，管腔上皮b型，三阴型和her2过表达型，分别用0，1，2，3来表示；ki67表达水平分为高水平(大于14％)和低水平(小于14％)，高水平用1来表达，低水平用0来表达。
4.根据权利要求2所述的一种基于多时相融合的多任务分类方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1：采用pearson相关系数法来衡量任务之间的线性相关性，计算公式如下：
cov(x,y)＝e{[x-e(x)[y-e(y)]]}(1)
公式(1)中e{[x-e(x)[y-e(y)]]}称为随机变量x与y的协方差，记为cov(x,y)，公式(2)ρxy称为随机变量x与y的相关系数，d(x)、d(y)分别为x、y的方差，e(x)、e(y)分别为x、y的期望；
步骤3.2：通过对任务相关系数设计重新平衡加权策略，任务n中正相关的任务相关系数之和记为
所述正相关的任务包括组织学分级，分子分型和ki67表达水平，其正相关的任务相关系数之和为：
式中，z为正任务的个数，i为其中第i个任务；
所述负相关的任务为淋巴结是否转移，其负相关的任务相关系数之和为：
式中，f为负任务的个数；
通过计算公式(3)，(4)的比值并以其作为加权系数加入到训练，来权衡不同任务的重要程度：
5.根据权利要求2所述的一种基于多时相融合的多任务分类方法，其特征在于，步骤4中所述神经网络的训练为，学习率设置为0.001，每次训练批样本数batch_size大小设置为30，对于淋巴结是否转移分类任务、组织学分级分类任务和ki-67高低水平表达分类使用二元交叉熵损失函数，分子分型分类任务使用多分类交叉熵损失函数，所有的任务训练中均使用adam优化器，训练60个epoch网络趋于收敛。