1.一种基于前视觉通路形态特征的自动分割方法，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数据中的T1图像以及DWI图像，将图像灰度值归一化和均衡化，然后生成对应的FA图像；

步骤2、生成数据样本：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形态特征，包括：视乳头、视交叉以及外侧膝状体；

步骤3、制作神经纤维模板：步骤1中的数据集进行全脑的纤维跟踪成像，然后将所有的数据由专家手动分割后经过相似变换配准到同一个公共空间，在专家参与识别的基础下，提取出最具前视觉通路几何特征的神经纤维模板，确保这个模板可以精确包含设定精度以上的前视觉通路神经纤维，同时也具有泛用性；

步骤4、训练形态特征提取网络：通过步骤二中的标记数据结合DTI与FA图像来训练生成前视觉通路形态特征提取模型；

步骤5、实现自动分割：首先，待分割的神经纤维进行对应的模板匹配筛选出与模板相似的前视觉通路神经纤维；在此基础上，利用步骤四训练好的网络进行前视觉通路的特征提取，将特征作为前视觉通路的形态约束条件，剔除那些不符合形态特征的神经纤维，从而得到精确的分割结果。

2.如权利要求1所述的基于前视觉通路形态特征的自动分割方法，其特征在于，所述步骤2中，用于训练视神经纤维形态特征提取网络所标注的特征点：视乳头区域、视交叉区域以及外侧膝状体区域。

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3中，首先对数据进行全脑的神经纤维成像，再此基础上先进行专家的人工筛选得到每个人脑准确的前视觉通路神经纤维，然后将其匹配到公共的空间中得到一个整体泛用的神经纤维模板。

4.如权利要求1或2所述的基于前视觉通路形态特征的自动分割方法，其特征在于，所述步骤4中，采用T1图像与FA图像相结合的方式作为网络的输入。

5.如权利要求1或2所述的基于前视觉通路形态特征的自动分割方法，其特征在于，所述步骤5中对全脑神经纤维进行了两次约束筛选，首先将全脑神经纤维与步骤3生成的神经纤维模板进行匹配，筛选出符合的神经纤维；再此基础上，再利用网络生成的形态特征进行二次约束，得到更精确的自动分割结果。