1.一种基于深度多任务回归网络的左心室量化方法，其包括以下步骤：
2.根据权利要求1所述的基于深度多任务回归网络的左心室量化方法，其特征在于，所述数据处理的方法包括数据预处理和数据标注。
3.根据权利要求2所述的基于深度多任务回归网络的左心室量化方法，其特征在于，所述数据预处理包括：特征点标记、图像旋转、roi裁剪和大小调整；首先，在每张预设心脏mr图像上找到心脏区域并标记关键点；然后，根据关键点进行图像旋转至预定角度；接下来，在旋转后的图像上选择合适的roi区域进行裁剪；最后，将所有裁剪后的图像调整为预定像素的大小；所述合适的roi区域是指能够完整地包含心脏的整个轮廓的roi区域。
4.根据权利要求2所述的基于深度多任务回归网络的左心室量化方法，其特征在于，所述数据标注包括：通过将左心室心腔直径和心肌室壁厚度的真实临床物理值按照所述预定像素的尺寸进行归一化，同时将心肌和心腔的面积也按照所述预定像素的图像面积进行归一化处理。
5.根据权利要求1所述的基于深度多任务回归网络的左心室量化方法，其特征在于，图像经过特征表示网络后，输入到指数估计网络的ms-cnn模块获取多层次的局部特征；ms-cnn包括三个并行的cnn模型，通过多尺度策略进行多级特征提取，融合三个cnn模型的输出作为ms-cnn的最终输出。
6.根据权利要求5所述的基于深度多任务回归网络的左心室量化方法，其特征在于，通过设置双向lstm模块用于捕捉图像的动态变形，位于指数估计网络的底部，步长设置为20，将ms-cnn提取的图像特征作为其输入。
7.根据权利要求1所述的基于深度多任务回归网络的左心室量化方法，其特征在于，在所述模型使用之前，还对所述模型进行训练。
8.根据权利要求7所述的基于深度多任务回归网络的左心室量化方法，其特征在于，模型训练采用五折交叉训练法对整个模型快速进行训练。
9.根据权利要求7所述的基于深度多任务回归网络的左心室量化方法，其特征在于，模型在训练后，需要进行模型测试与评估。
10.根据权利要求9所述的基于深度多任务回归网络的左心室量化方法，其特征在于，将预测结果反归一化，使其变成实际物理值以此来得到评估网络框架的性能的指标。