1.一种脑血管图谱构建方法，其特征在于：所述方法包括以下步骤：

步骤一：数据预处理和label标注，过程如下：

首先对MRA数据进行去噪处理，然后使用FSL中的BET工具进行去头骨操作，之后对所处理的数据标注label，最后按照数据数量划分训练集，测试集；

步骤二：图像数据切分图像块patch，过程如下：

由于三维MRA数据过大，选择patch size和stride对数据进行切分；然后选择patch中血管体素占比较多的patch为主要训练数据输入网络；

步骤三：网络模型、训练与预测，过程如下：

由得到的数据集输入到网络模型进行训练，根据统计结果得到模型稳定后的权重，最后输入数据集得出预测结果；

步骤四：脑血管图谱聚类与新样本配准映射，过程如下：

基于得到的脑血管预测结果，构建脑血管图谱，一个新的MRA血管数据只需要经过与图谱经过坐标转换即可得到分割结果，图谱的创建以及新样本配准都需要通过配准将多个数据集映射到一个公共坐标系，进行脑血管的初始对准或标准化。

2.如权利要求1所述的一种脑血管图谱构建方法，其特征在于，所述的步骤二中，图像数据切分图像块包含以下步骤：

2.1选择合适patch size和stride得到patch

根据原始数据集的大小选择patch size的大小，可取32×32×32，64×64×64，96×96×96，128×128×128，stride可取8，16，24，48等进行试探，通过模型的评估，根据硬件算力上限和网络收敛速度选择合适patch size和stride；

2.2求patch中血管密度

对上一步得到的所有patch进行统计计算，算出每一个patch中血管的密度，寻找密度最高的几个patch作为血管区域的几个中心；

2.3按密度的梯度筛选patch

得到血管区域的几个中心后，以中心点为起点，按照血管密度的梯度下降方向作为路径筛选patch，直到遇到数据边界或者达到密度的阈值下界或者与从其他中心点开始的筛选路径相遇时停止计算；阈值下界可根据网络的分辨能力和数据的精度需求经过计算进行选择，尽量排除大量patch中不含血管或者占比很少的情况。

3.如权利要求1或2所述的一种脑血管图谱构建方法，其特征在于，所述的步骤四中，脑血管图谱聚类与新样本配准映射包含以下步骤：

4.1刚性和非刚性配准

在生成脑血管图谱时需要进行刚性和非刚性配准，基于脑血管复杂的树状结构，以多尺度的方式进行基于熵的配准：首先进行仿射变换，再进行非刚性b样条变换，同时对准来自多个样本的血管；将输入的每条血管转换为固定长度的表示，通过端点、中点和两个中间点表示每血管的每个分支；

4.2脑血管聚类

在特征空间中，所有血管通过相似度矩阵计算特征向量，并表示为特征空间中的点，在血管配准之后，每条血管被转换为特征空间中的点，进行聚类自动生成脑血管图谱，特征空间根据血管之间的相似性表示不同血管，根据不同血管对应的解剖结构对血管进行分类命名，来自每个样本的每条血管被分配到特征空间中最接近的脑血管图谱，若该血管相似度相对于平均血管相似度超过2个标准偏差，则判定该血管为异常血管，从图谱中移除，为了更加精确地保证脑血管图谱的准确，需要将第一次聚类的结果与原数据MRA以及脑血管的解剖结构进行对比，进行第二次聚类，最终得到脑血管图谱；

4.3新样本配准映射

脑血管图谱建立完成后，用于新的样本血管自动分割，每个新血管样本被表示在最初进行聚类的特征空间中，然后根据最近的聚类质心分配聚类标签；首先，对新的样本进行坐标转换配准到血管图谱上，然后根据新样本的特征向量进行图谱映射，得到新样本的脑血管。

4.如权利要求1或2所述的一种脑血管图谱构建方法，其特征在于所述的步骤三中，网络模型、训练与预测包含以下步骤：

3.1网络模型

采用在医学图像处理领域热门的U-Net结构，它由编码和解码两个部分组成，在收缩路径上，即左侧的编码路径上重复地应用两个3×3×3的卷积层，并且在卷积层之后跟着一个Batch Normalization层，用来加速网络收敛；之后再加入ReLU激活函数，最后再跟一个步长为2的2×2×2最大池化层进行下采样操作；下采样完毕后再利用卷积层对通道数翻倍，加强模型的表达能力；上采样结果与相应的从收缩路径的特征图连接，经行padding扩展操作，保留图像完整信息；再经过两个3×3×3的卷积，每个卷积后面跟着一个ReLU激活层；最后，使用1×1×1卷积将每个64分量特征向量映射到所需的类数，并且在之后使用softmax激活函数进行归一化，用0和1代表每个像素为背景或为脑血管的概率；

3.2训练与预测

预处理的数据需要输入网络进行训练，训练优化器选择Adam，根据GPU性能和显存大小，设定batch size，设置不同的学习率进行试验，根据每个epoch的loss下降选取合适的学习率，经过训练，根据统计结果得到模型稳定后的权重，将其用于输入数据集得出预测结果。