1.一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述方法包括以下步骤：步骤一：数据集划分，过程如下：

选取的每一例患者图像数据包含T1图像、T1增强图像、T2图像、DTI图像和标记图像，将患者图像集以设定比例随机划分为训练图像集和测试图像集，标记图像作为提取体素特征的基准和用于预测结果的比对，用“1”表示体素类别为脑干，“2”表示体素类别为纤维，“3”表示体素类别为肿瘤，标记图像中的肿瘤分割来自于人工标注，面听神经来自于纤维自动跟踪，脑干区则由FreeSurfer分割而得；

步骤二：数据重采样，过程如下：

以标记图像为基准，对T1图像、T1增强图像、T2图像进行重采样使得每张图像的体素大小相同；

步骤三：提取特征和构建样本集，过程如下：

读取目标图像的分辨率，对3D目标图像进行自适应切片把三维问题转换成二维问题，将每一例图像数据的体素坐标变换为世界坐标，以标记图像为基准提取原始图像相应坐标的特征值，特征包括各向异性分数FA、方向分布函数ODF、平均弥散值MD、轴向弥散值AD、径向弥散值RD、T1信号值、T1增强信号值和T2信号值，对标记图像提取标签，包括面听神经、听瘤和脑干三个部分，每一个体素构成一个样本，得到样本特征训练集和样本特征测试集；

步骤四：样本特征训练集数据处理，过程如下：

可视化步骤三得到的训练集，清理异常值和缺失值样本，对特征进行缩放使得特征值分布在0到1之间；

步骤五：模型训练与测试，过程如下：

采用五折交叉验证法将步骤四获得的样本训练集放入机器学习模型进行训练，训练完毕后将步骤三得到的样本测试集放入模型进行分类预测，并与标签真值进行比较得到混淆矩阵，评估模型泛化能力。

2.如权利要求1所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤一中，数据集划分过程为：将纤维识别问题转换为体素分类问题，体素大小统一采用标记图像的大小；数据包含T1图像、T1增强图像、T2图像、DTI图像和标记图像，每一例患者数据都包含上述数据，其中，T1图像、T1增强图像和T2图像用来提供体素信号值，DTI图像用来提取各向异性分数、方向分布函数、平均弥散值、轴向弥散值和径向弥散值。

3.如权利要求1或2所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤二中，数据重采样过程为：以标记图像的体素空间大小pnew作为基准，获取T1图像，T1增强图像和T2图像的体素空间大小pold和图像尺寸sold，使每张图像的体素空间大小相同，T1图像，T1增强图像和T2图像新的图像尺寸计算公式如下：

4.如权利要求1或2所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤三中，提取特征和构建样本集过程为：获取图像分辨率并将其用l×w×h表示，将ROI三维图像切割成l张分辨率为w×h的二维图像，由此三维问题转化为二维问题；

每一个体素作为一个样本，将每一例图像数据的体素坐标变换为世界坐标，对标记图像提取标签，包括面听神经、听瘤和脑干三个部分并用数字“1”、“2”、“3”表示作为真值，以标记图像世界坐标为基准提取原始图像相应坐标的特征值，特征包括各向异性分数FA、方向分布函数ODF、平均弥散值MD、轴向弥散值AD、径向弥散值RD、T1信号值、T1增强信号值和T2信号值，得到样本特征训练集和样本特征测试集；

方向分布函数ODF通过以下公式计算：

2

其中， 是纤维取向分布， σ是宽度参数的平方，是

样本卷积方向，g为梯度方向；

利用DTI张量矩阵得到三个方向的特征值λ1，λ2和λ3，通过以下计算分别得到各向异性分数FA、平均弥散值MD、轴向弥散值AD、径向弥散值RD：AD＝λ1

由此，对每个体素提取了8个特征，构成了N×9的二维矩阵，其中第9列为标签真值；为了减小过拟合的概率，打乱了样本顺序得到特征样本训练集，其中N为样本总个数，同理，构成Mi×9列的二维矩阵并打乱样本顺序，即得到特征样本测试集i，其中Mi为第i位患者构成的样本数量，最后一列为标签真值。

5.如权利要求1或2所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤四中，样本特征训练集数据处理过程为：可视化步骤三得到的训练集，清理异常值和缺失值样本，对特征进行缩放使得特征值分布在0到1之间，特征缩放公式如下：其中，f'为缩放后的特征值，f为缩放前的特征值，fmax和fmin分别为缩放前该特征的最大值和最小值，由此可以得到提供给算法模型的训练数据。

6.如权利要求1或2所述的一种基于机器学习的瘤周面听神经识别方法，其特征在于，所述的步骤五中，模型训练与测试过程为：

5.1)训练模型：将特征样本训练集的前八列作为机器学习分类模型输入的训练数据，第九列作为训练标签真值输入；采用五折交叉验证法，以五次验证集评价指标的平均值为标准，通过网格搜索微调模型参数得到当前训练集的最优模型；

5.2)测试模型：将特征样本测试集的前八列作为机器学习分类模型输入的数据，第九列作为比对的真值输入；通过模型输出的预测值和真值进行比对计算可以得到包含了评价模型优劣的众多指标的混淆矩阵；

5.3)对模型预测结果进行伪彩色处理，还原预测的面听神经、脑干和听瘤，即可可视化三者位置关系。