1.一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，包括：S1、获取无关联性的全脑纤维图像作为数据样本，并构建训练数据集；

S2、将专家标注的脑纤维图片标签作为输入数据，预训练PiontNet1和Piont Net2；

S3、将训练数据集分别输入至预训练的PiontNet1、PiontNet2中，预训练的Piont Net1、PiontNet2均通过classifier为训练数据集中的各样本数据打上伪标签，并将带标签的样本数据分别输入至预训练的PiontNet1、PiontNet2中；

S4、PiontNet1、PiontNet2均根据阈值，对打上伪标签的样本数据以及带标签的样本数据进行筛选，并根据阈值将样本数据的标签划分为高质量标签和噪声标签；

S5、PiontNet1、PiontNet2基于co‑teaching思想互相教导，以得到PiontNet1最终的筛选结果以及PiontNet2最终的筛选结果；

S6、在互相教导时，随机筛选出一部分噪声标签对应的数据进行数据增强，并预测数据增强处理后的输出；

S7、计算训练过程中PiontNet1、PiontNet2的损失函数，并依据损失函数更新PiontNet1、PiontNet2的参数；

S8、在Piont Net1、Piont Net2更新后，使用数据增强处理后的预测输出对满足预设条件的噪声标签进行校正；

S9、不断迭代以得到最后需要进行分割的纤维的标签。

2.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，PiontNet1、PiontNet2均由依次连接的三个全连接层和一个最大池化层组成，每个全连接层均使用Batch Normalization技术以促进网络收敛，每个全连接层均使用ReLU作为激活函数。

3.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，预训练PiontNet1和PiontNet2时，采用分割损失作为损失函数。

4.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，classifier为两层全连接网络，用于阳性纤维束和阴性纤维束的二分类，并采用交叉熵损失作为损失函数。

5.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，随机选取一部分噪声标签对应的数据进行数据增强处理具体为，对随机选取的噪声标签对应的数据进行旋转或者反转处理，以挖掘图像中存在的潜在特征。

6.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，步骤S7中，损失函数由一致性损失和分割损失加权计算得到。

7.根据权利要求6所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，一致性损失的计算公式为：其中，yi表示一个批次中第i个标签的真实值，y'i表示一个批次中第i个标签的预测值，N表示一个批次中标签的总数，Lcon表示y'关于y的一致性损失；

分割损失的计算公式为：

其中，LDice表示Dice损失，LCE表示交叉熵损失，α表示加权系数，ε表示确保损失函数值稳定的常数，Lseg表示y'关于y的分割损失。

8.根据权利要求7所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，PiontNet1的损失函数为：Piont Net2的损失函数为：

其中，Ni(ydj；wi)中Ni表示通过PiontNeti进行训练，dj表示输入的进行训练的样本数据，wi表示Ni的网络参数，dhi、dli、 分别表示高质量标签对应的数据、噪声标签对应的数据、增强后的数据， 分别表示Piont Neti筛选得到的高质量标签、噪声标签、数据增强后生成的噪声标签，N1表示Piont Net1中一个批次的标签总数，N2表示PiontNet2中一个批次的标签总数，w1、w2分别表示PiontNet1、PiontNet2的网络参数，L1、L2分别表示PiontNet1、Piont Net2的损失函数，λq表示超参数，qw表示预热训练周期，q表示当前训练周期。

9.根据权利要求8所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，PiontNet1网络参数w1、PiontNet2网络参数w2均根据梯度下降原理计算得到，计算公式为：其中，w1、w2表示更新后的网络参数，w1'、w2'表示更新前的网络参数，lr表示学习率，表示Piont Net1的损失变化梯度， 表示Piont Net2的损失变化梯度。

10.根据权利要求1所述的一种基于co‑teaching和噪声标签学习的纤维分割方法，其特征在于，步骤S8中，使用数据增强处理后的输出对Dice得分最低的25％的噪声标签进行校正，Dice得分LDice的计算公式为：其中，TP表示真阳性预测的体素数量，FP表示假阳性预测的体素数量，FN表示假阴性预测的体素数量，LDice表示Dice得分。