1.一种预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，步骤(1)中，收集乳腺癌患者的dce-mri图像以及对应的病理结果，基于矢状位ti动态增强第一期图像分割靶病灶，转化为二值图像。
3.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，步骤(2)具体如下：
4.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，步骤(3)具体如下：采用正则表达式匹配dce-mri报告中特征的描述；对特征描述的关键词进行分类并编码。
5.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，步骤(3)中，所提取的语义特征包括报告中所描述的乳腺密度、实质背景增强情况、时间强度曲线、弥散加权成像(dwi)表现、有无皮肤侵犯、腋窝淋巴结状态和肿瘤的增强模式。
6.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，步骤(4)中所述的动态卷积模块包括：卷积层；批归一化层，用于对所述卷积层的输出进行批归一化处理；一个整流线性单元，由leakyrelu函数实现，对进行批归一化处理后的输出进行激活；一个自适应平均池化层，将输出特征图池化成一个1×1的特征图，之后展平；两个全连接层，用于计算注意力向量；一个softmax层，用于将注意力向量归一化到[0,1]区间；一个加权池化操作，对输入特征图中的每个通道，都乘以其对应的通道权重，再对所有通道求和，得到一个加权后的特征图输出；单个尺度卷积模块包括：最大池化层；卷积层，用于提取特征；所述的动态卷积模块；输入数据通过最大池化层和卷积层进行处理，生成特征图；如果某个尺度卷积模块不是输入层，则将上一层的特征图也通过最大池化层进行处理，然后将其与当前特征图级联起来；级联后的特征图通过动态卷积模块进行注意力加权，得到输出特征图；此输出特征图作为下一层尺度卷积模块的输入。
7.根据权利要求1所述的预测乳腺癌腋窝淋巴结转移的模型建立方法，其特征在于，所述convrnn模型训练过程如下：将数据集中经过预处理的dce-mri增强图像序列输入到convrnn模型中，通过正向传播得到对乳腺癌患者是否发生腋下淋巴结转移的预测；把乳腺癌患者发生腋下淋巴结转移的真实情况经过独热编码做为标签，通过crossentropy函数计算预测与标签之间的误差，该误差项由输出层向隐藏层逐层的反向传播，更新网络参数直至输入层，使用adamw优化器不断反馈优化直至误差不再减小；将训练好的网络参数保存为convrnn模型。
8.一种乳腺癌腋窝淋巴结转移预测装置，其特征在于，所述预测装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-7中的任一项所述的方法步骤。