1.一种基于深度网络的视神经自动分割方法，其特征在于：该分割方法包括以下步骤：步骤1、图像预处理：获取人脑MRI数据，将图像灰度值归一化和均衡化，再进一步经过灰度值阈值化生成对应的脑组织/非脑组织区域掩码；再将经过配准的MRI数据对应的DWI数据进行头动矫正后提取b0图像确定图像的Mask区域，通过局部拟合计算出FA值；

步骤2、生成训练样本：结合步骤1中生成的T1和FA图像，使用人工标记的方法结合两类图像得到视神经的标注信息；以脑组织/非脑组织区域掩码和视神经标注信息，以不同的方法对不同的层进行提取作为训练样本；

步骤3、训练网络模型：构建U‑Net网络模型，采用Dice系数作为网络的Loss函数来解决图像类别不均衡的问题；并且重新定义网络的输入，将原本的单模态输入的网络改为T1+FA的多模态网络输入结构；并使用步骤2中生成的训练样本训练搭建好的网络模型，并将最终训练得到的权重在测试数据上进行测试；

步骤4、预测分割：使用训练得到的网络模型对没有标记的数据进行视神经区域的预测，将预测得到的结果和标记得到的结果进行对比，计算预测的准确率。

2.如权利要求1所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤1中，配准过程采用的算法为互信息的B样条配准方法，FA图像提取过程中的头动矫正和FA值计算使用FSL软件的FDT功能。

3.如权利要求1或2所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤2中，为了得到FA图需要对DTI的张量矩阵进行特征分解得到水分子扩散的三个方向的特征值λ1，λ2和λ3，最终计算FA值的公式如下：其中λ为平均扩散系数，计算λ的公式如下：

4.如权利要求1或2所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤2中，对每一幅包含视神经区域的图像进行镜像操作，再使用随机抽样的方法删除一部分的无视神经区域的图像，使得最终的数据比例为1∶1。

5.如权利要求1所述的基于深度网络的视神经自动分割方法，其特征在于，所述步骤2中，使用的Loss函数为Dice系数是为了解决分割目标分布不平衡的问题，定义Dice，其中TP是真阳性体素的数目，FP是假阳性体素的数目，FN是假阴性体素的数目：同时Dice系数写成：

其中px∈P：Ω→{0，1}为预测的二值分割含量，gx∈G：Ω→{0，1}为真值的二值含量，s＝1为添加的平滑因子；然后，Dice系数在每个位置j处惩罚px与真标签gx的偏差，使用差分梯度：

6.如权利要求1所述的基于深度网络的视神经分割方法，其特征在于所述步骤3中，所使用的输入网络的多模态数据，在输入网络进行卷积前，将两类数据转变为张量形式后进行相加，数据就又单通道变为了双通道；将相加后的数据输入网络进行训练得到多模态数据输入训练得到的模型结果。