1.基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，包括如下步骤S1‑步骤S5，完成脑部结构磁共振影像中的纹理提取和分类：步骤S1：采集脑部结构磁共振影像，使用MIPAV软件进行预处理，分别将预处理后的脑部结构磁共振影像配准到标准脑模板空间MNI上，统一各脑部结构磁共振影像的坐标空间，使用Min‑Max进行标准化处理；

步骤S2：构建脑部纹理特征提取模型，针对步骤S1所获得的脑部结构磁共振影像，采用圆形LBP方法进行纹理特征提取，由于采样点是在圆上分布的，所以不能保证每一个采样点的坐标都是整数，对于坐标为整数的采样点，直接代入公式计算，对于非整数坐标的采样点，将坐标上下取整，用双线性插值法计算其灰度值；

步骤S3：基于TCNN神经网络构建脑部纹理分类模型，以经过纹理特征提取的脑部结构磁共振影像为输入，以脑部结构磁共振影像中的纹理对应的纹理类型为输出，完成纹理分类；

步骤S3中的基于Transformer网络和CNN神经网络构建脑部纹理分类模型，图像会被分割为多个patch，i表示为patch中任意一个位置，j为以i为中心的3×3邻域中的任意位置，其注意力模块引入深度卷积，深度卷积表示为下式：其中，Yu是位置i的输出， 是位置i的局部邻域,wi‑j是位置i与位置j之间的权重矩阵,Xj是位置j的输入；相比之下，self‑attention允许感受野不是局部邻域，并基于成对相似性计算权重；

脑部纹理分类模型的softmax函数如下式：

其中，Yj表示位置j的输出，n表示输入经过全局空间的某个位置，l也表示输入经过全局空间的某个位置，表示全局空间，Xj是位置j的输入，T表示矩阵的转置，Xn是位置n的输入，Xl是位置l的输入；

将每个patch与同一图像中的其他patch进行比较，以产生一个自适应注意力矩阵，在softmax初始化之后或之前将全局静态卷积核与自适应注意力矩阵相加，具体如下式：其中， 表示该函数的输出，post代表反演公式，n表示输入经过全局空间的某个位置，T表示矩阵的转置，l也表示输入经过全局空间的某个位置，Xj是位置j的输入，Xn是位置n的输入，Xl是位置l的输入，wj‑n是位置j与位置n之间的权重矩阵；

步骤S4：对脑部纹理分类模型进行训练，根据原始脑部结构磁共振影像和纹理特征特征提取后的图像计算脑部纹理分类模型的损失函数，并采用反向传播算法更新权重参数；

步骤S5：重复步骤S4，直至达到预设的训练次数，完成脑部纹理分类模型的训练，应用训练好的脑部纹理分类模型，完成脑部结构磁共振影像中的纹理提取和分类。

2.根据权利要求1所述的基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，步骤S1具体过程包括：对所采集的脑部结构磁共振影像进行预处理，包括去除头盖骨、矫正、过滤和图像增强，完成预处理后，将脑部结构磁共振影像配准到标准脑模版空间MNI上，并进行调整和优化，选择对应的配准算法、调整配准参数、增加配准约束，完成配准后，对配准后的脑部结构磁共振影像中的各采样点的像素值进行Min‑Max标准化处理，Min‑Max标准化是指对原始数据进行线性变换，将值映射到[0，1]之间。

3.根据权利要求1所述的基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，步骤S2的具体步骤如下：步骤S2.1：分别针对步骤S1所获得的脑部结构磁共振影像中的每个采样点，以该采样点为中心采样点，以R为半径划分圆形邻域，圆形邻域内选取P个等分点，以中心采样点到各等分点的连线作为二值编码的轨迹，轨迹上各采样点的公式如下式：其中，p表示第p个采样点，xp,yp分别为第p个采样点的横坐标和纵坐标，xc,yc分别为中心采样点c的横坐标和纵坐标；

步骤S2.2：对于非整数坐标的采样点，选取采样点p所在轨迹上距离其最近的两个采样点p0和p1,将p0和p1的横纵坐标分别上下取整，分别记为x0,x1,y0,y1，获得四个坐标，分别为(x0,y0),(x1,y0),(x0,y1),(x1,y1)，然后按照如下公式计算：其中，f(xp,yp)代表采样点p的像素值；

步骤S2.3：以中心采样点的灰度值为阈值，将轨迹上的每个采样点与中心采样点的灰度值进行比较，得到二值编码；其中二值编码为轨迹上的各个采样点的灰度值大于中心采样点的灰度值计为1，否则计为0，将得到的二值编码按照顺时针方向排列，得到一个二进制数；统计轨迹上的所有采样点的二进制数的频率直方图，得到LBP特征向量。

4.根据权利要求1所述的基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，步骤S4中脑部纹理分类模型的反向传播算法为从输出层传递到输入层。