1.一种高通量筛选DNA损伤反应抑制剂的方法，其特征在于，包括如下步骤：S1、利用图片集对基于U-Net网络的细胞核分割网络模型进行训练；其中，细胞核分割网络模型的结构包括两个串联的U-Net网络，训练过程包括：S11、构建第一U-Net网络和第二U-Net网络；S12、第一数据集先经过resize函数，然后用于训练第一U-Net网络；其中，第一数据集的特征为背景差异大，图像来源复杂；S13、第二数据集经过resize函数，然后用于训练第二U-Net网络；其中，第二数据集的特征为背景和感兴趣的区域对比明显，存在多细胞核粘连；S14、将训练好的第一U-Net网络与第二U-Net网络串联，然后再连接连通域算法得到细胞核分割网络模型，输入细胞核分割网络模型的图像首先经过U-Net网络，得到第一掩膜图像；待测图像与第一掩膜图像相乘后输入第二U-Net网络，得到第二掩膜图像，待测图像与第二掩膜图像相乘后，再经连通域算法得到每个连通区域的所有像素点的位置，进而把每个联通区域单独裁切出来；S2、构建细胞核类别判定网络模型并进行训练；S3、利用高内涵成像设备对药物作用后的细胞进行拍摄获得待分析图像；将待分析图像输入细胞核分割网络模型后再输入细胞核类别判定网络模型，统计每种药物对应的损伤细胞核占比，损伤细胞核占比越小，DNA损伤反应抑制剂的效果越好，包括以下步骤：S31、利用高内涵成像设备对药物作用后的细胞进行拍摄获得图像数据；S32、将图像数据输入训练好的细胞核分割网络模型中得到单细胞核图像；S33、再将单细胞核图像输入到训练好的细胞核类别判定网络模型进行分类决策；S34、统计每种药物对应的损伤细胞核占比，损伤细胞核占比越小，DNA损伤反应抑制剂的效果越好。
2.根据权利要求1所述的高通量筛选DNA损伤反应抑制剂的方法，其特征在于，所述的第一U-Net网络和第二U-Net网络的结构包括编码器和解码器，编码器和解码器之间存在快捷连接；所述的编码器的结构包含了4～5个子块，除了最后一个子块，每个子块包括依次连接的两个卷积层和一个池化层，使用elu作为激活函数，在两个卷积层之间加入了一个Dropout层；最后一个子块仅包括两个卷积层，使用elu作为激活函数，在两个卷积层之间加入了一个Dropout层；所述的解码器的结构包括4～5个子块，每一个子块都首先使用一个转置卷积层，然后连接两个卷积层，并在两个卷积层之间加入了一个Dropout层，两个卷积层的激活函数同样使用了elu，最后的子块后连接一个卷积层，输出最终的掩膜图像。
3.根据权利要求1所述的高通量筛选DNA损伤反应抑制剂的方法，其特征在于，所述的细胞核类别判定网络模型基于VGG-19网络、ResNet网络或DenseNet网络。
4.根据权利要求1或3所述的高通量筛选DNA损伤反应抑制剂的方法，其特征在于，所述的S2、构建细胞核类别判定网络模型并进行训练，具体如下：S21、构建基于VGG-19的细胞核类别判定网络模型；S22、获取单细胞图片数据集对细胞核类别判定网络模型进行训练。
5.根据权利要求1所述的高通量筛选DNA损伤反应抑制剂的方法，其特征在于，S22、获取单细胞图片数据集对细胞核类别判定网络模型进行训练，具体如下：S221、获取高内涵设备拍摄的图像，使用训练好的细胞核分割网络模型进行分割，得到相应的单细胞核图像；S222、从所述的单细胞核图像中人工挑选出损伤细胞核、未损伤细胞核和无信号三类图像各1800～2200张并进行标注；S223、使用了数据扩增方法，对原始的三类图像进行扩增，然后按比例分为训练集、验证集；S224、训练集对细胞核类别判定网络模型训练，调整模型参数，验证集间接参与模型的训练，在每个批次训练好之后，用验证集进行验证，调整模型的超参数。
