1.一种结合全局和邻域信息的血管分割方法，其特征在于，所述方法包括以下步骤：步骤1数据预处理：进行了颅骨剔除和偏置场校正，生成训练样本；

步骤2构建血管分割网络Gnet

搭建结合全局信息的网络模型Gnet，使用步骤1中生成的训练样本训练该网络模型，然后将待分割医学图像输入到构建好的网络模型，从而生成对应模态的目标图像；

步骤3构建邻域信息的血管网络Rnet结合血管区域的连通性，提出了基于平面二十六邻域连通性的卷积神经网络Rnet，该网络的输入为步骤2所构建Gnet的输出，该网络由若干连续的卷积层与全连接层构成，经过

4次卷积和最大池化的连续运算，最后通过全连接层输出1×1×1的数值。采用均方误差(MSE)作为损失函数训练上述Rnet网络模型，其定义如下：其中Ii和Oi表示输入和输出的不连通血管岛屿数Islands，由Skimage图像处理工具包进行计算,其均方误差越小，Rnet描述Gnet输出的分割图中不连通岛屿数Islands的准确率越高；

步骤4训练结合全局和邻域信息的分割网络综合损失函数Loss(λ,η)为Gnet的损失函数G_loss和Rnet的损失函数R_loss经过加权后相加，其公式表述为：

Loss(λ,η)＝λU_Loss+ηI_Loss其中λ与η为赋给Gnet和Rnet两个网络不同损失函数的权重参数，满足λ+η＝1；通过分配两个网络损失函数的不同权重值，以调节两个网络对分割结果的影响程度，优化分割效果。

2.如权利要求1所述的一种结合全局和邻域信息的血管分割方法，其特征在于，所述的步骤2中，构建血管分割网络Gnet包含以下步骤：

2.1通过加入ConvLSTM网络模块以优化跳跃连接过程。ConvLSTM网络优化的跳跃连接过程能够进一步结合图像的空间信息，加强原始特征的传播和编码，以消除跳跃连接中不相关的噪声效应产生的歧义；

2.2通过加入注意力机制优化下采样过程，针对下采样过程中微小血管特征信息丢失的问题，通过加入注意力门模块，同时在下采样的每一层结合多尺度的原始图像输入；提出的下采样优化充分结合了原始图像的特征信息，并且能抑制无关区域的特征相应，自动学习区分目标的外形和尺寸，聚焦于目标血管区域的显著特征。

3.如权利要求1或2所述的一种结合全局和邻域信息的血管分割方法，其特征在于，所述的步骤4中，训练结合全局和邻域信息的分割网络包含以下步骤：

4.1将Gnet和Rnet分别独立并行进行训练，Gnet使用G_loss进行训练，Rnet使用R_loss进行训练，此时两个网络没有关键，只是将Gnet的输出作为Rnet的输入，

4.2直到R_loss稳定时，对Gnet和Rnet进行联合训练，独立训练时当Rnet网络到达稳定时，冻结网络参数；此时训练的方式为Gnet分割网络通过综合的损失函数Loss(λ,η)进行训练，通过实验对λ和η值进行调整，得到分割结果的最优解。