1.一种基于深度网络的三叉神经自动分割方法，其特征在于：所述方法包括以下步骤：步骤一，数据集准备

使用N例HCP数据的MRI和DWI图像，选择MRI图像中的T1图像以及DWI图像生成的方向编码彩色DEC图像和纤维方向分布函数FOD图像，其中，DEC图像通过不同的色彩显示不同方向走行的纤维，清楚地显示了大脑白质纤维的正常解剖及其走行；FOD图像是水分子弥散方向的宏观表现，量化了体素内每个方向的纤维走向的比例；

步骤二，标注数据集准备

首先在公共空间中画一个包含三叉神经经过的大概区域MASK，并且将其配准到N例个体，然后使用双张量无迹卡尔曼滤波UKF‑2)方法在MASK内撒种子点进行纤维跟踪，之后对跟踪出的纤维先用感兴趣区域ROI和规避区域ROA进行自动筛选，再进行专家层面的逐层筛选，双重筛选保证了结果的准确性，最后将筛选后的纤维映射到体素上，从而生成最终更精准的标注数据GroundTruth；

步骤三，数据预处理

对步骤一中得到的数据进行切片成128×160×128大小，对图像数据进行直方图均衡化，灰度直方图归一化以及图像增广操作，完成训练数据和测试数据的准备工作；

步骤四，网络设计及训练

构建多模态融合的金字塔深度卷积网络，将T1、DEC和FOD图像进行多模态融合，然后使用上述步骤一和步骤二生成的训练样本以及GroundTruth训练构建好的网络模型；

步骤五，预测分割

使用步骤四训练得到的网络模型对测试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所述的一种三叉神经自动分割方法，其特征在于，所述的步骤二中，标注数据集准备包含以下步骤：

2.1绘制MASK

根据解剖知识，在N例受试者T1数据的公共空间中画一个类似椭圆型的区域MASK，该MASK包含了三叉神经经过的区域，使其能够跟踪出所有的三叉神经纤维，然后将公共空间所画的MASK配准到个体，作为个体纤维跟踪的MASK；

2.2纤维跟踪

在MASK内选择设定的种子点数量，然后使用双张量无迹卡尔曼滤波UKF‑2T方法进行纤维跟踪，同时将两个张量的混合模型拟合到dMRI数据中，提供了高度敏感的纤维追踪能力，尤其是在存在交叉纤维的情况下，追踪推测的三叉神经脊髓束和推测的三叉神经中脑束；

2.3自动筛选

首先进行自动筛选神经纤维，使用在b＝0图像上绘制的麦克尔腔室和在弥散张量成像DTI的方向编码彩色图上绘制脑池段作为感兴趣区域RO)进行自动筛选，初步选出属于三叉神经的纤维；

2.4手动筛选

因为上述操作的结果包含了较多的假阳性结果，所以为了进一步的保证掩码的准确性，使用感兴趣区域自动筛选纤维后，专家利用解剖知识进行进一步的手动筛选出所有受试者的三叉神经纤维束；

2.5掩码生成

经过上述双重筛选产生了高质量的三叉神经，然后我们将三维流线映射到体素上，得到二进制的神经纤维掩码；这些二进制掩码被分析为连接区域，只保留最大的连接区域，从而过滤掉单个体素和不与其他体素连接的小群体，从而获得最终三叉神经的GroundTruth。

3.如权利要求1或2所述的一种三叉神经自动分割方法，其特征在于，所述的步骤四中，网络设计及训练过程如下：搭建一个基于U‑Net金字塔深度卷积网络的多模态融合模型，考虑到分割图在合成过程中逐渐形成，在对每个单独的模态进行分析后，从合成阶段开始进行模态融合可能是有利的，搭建的网络由两个独立的分析路径和一个共享的合成路径组成，第一个独立分析路径具体如下：将T1、DEC图像相结合作为输入，进行卷积操作后进入编码器模块，编码器模块分别包含了4个卷积层和最大池化层，分别包含32、64、128、256个特征映射；解码器模块包含4个反卷积层和卷积层，分别包含256、128、64、32特征映射，对于所有的卷积层，卷积核的尺寸为3×3×3；对于所有的最大池层，池大小为2×2×2，步长为2；对于所有的反卷积层，将反卷积后的特征映射与编码器模块中的相应特征相结合；另一个独立分析路径为：将FOD图像作为输入，经过卷积后与第一个独立分析路径一样进行编码解码过程，与其不同的是该路径的编码解码器只有三层，共享合成路径是由独立的分析路径的输出连接而成的，当合成从一个阶段进展到另一个阶段时，从每个分析路径的相应阶段也被连接到输入，合成路径使用了Softmax分类器，将生成体素级概率映射和预测，网络搭建完成后，使用之前步骤中生成的训练样本训练构建好的网络模型，对其参数进行进一步的修改和调整，最后将网络模型用于新的数据进行实验。

4.如权利要求3所述的一种三叉神经自动分割方法，其特征在于，所述的步骤四中，为了衡量网络模型预测的好坏，即模型的预测值和真实值不一样的程度，采用Dice系数作为网络的Loss函数，Dice系数的定义为：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，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。