1.一种基于迁移卷积神经网络的磁共振图像中静脉血管分割方法，包括：

1)从一个病例的磁共振图像库中取百分之七十的图像作为训练图像，百分之三十作为测试图像；

2)构建出成对的卷积神经网络：

设计两个作用不同的卷积神经网络，其中第一个卷积神经网络1用于定位出静脉血管的位置，第二个卷积神经网络2用于对定位出的静脉血管区域做粗分割；将网络1和网络2进行层间的串联连接，构建出成对的卷积神经网络；

3)对成对的卷积神经网络进行：

将训练图像中属于目标的大小为25×25的图像小块作为第一卷积神经网络1的正类样本，不属于目标的大小为25×25图像小块作为第一卷积神经网络1的负类样本，用正类样本和负类样本对第一卷积神经网络网络1进行训练；

将训练图像中属于目标的大小为5×5的图像小块作为第二卷积神经网络2的正类样本，将不属于目标的大小为5×5图像小块作第二卷积神经网络网络2的负类样本，用正类样本和负类样本对第二卷积神经网络网络2进行训练，最终得到训练好的成对卷积神经网络；

4)在测试图像上进行滑窗，将得到的每一个图像小块输入到训练好的成对卷积神经网络中，判断是否属于正类样本，得到的二值图作为粗分割图像；

5)采用形态学方法对步骤4)得到的粗分割图像进行闭运算处理，并将运算处理后的结果作为基于距离正则水平集模型的初始轮廓图像；

6)对初始轮廓图像进行距离正则下的演化，得到最终静脉血管的分割结果；

7)针对不同的病例，采用参数迁移学习的方法，将已训练好的成对卷积神经网络的参数迁移到该病例的成对卷积神经网络中，取三张该病例中有标记的图像作为训练图像，构造出正类样本和负类样本，对迁移后的成对卷积神经网络进行微调，得到该病例的成对卷积神经网络，执行步骤4)至步骤6)，完成对不同病例的静脉血管分割处理。

2.根据权利要求1所述的方法，其中步2)中的第一卷积神经网络1，包括有如下9层结构：第一层为图像输入层，输入图像大小为25×25；

第二层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第三层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第四层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第五层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第六层为池化层，采用最大池化方法对上层的输出结果进行池化；

第七层为全连接层，输出结点个数为2；

第八层为Softmax层，对上层的输出结果进行归一化；

第九层为输出层，输出类标。

3.根据权利要求1所述的方法，其中步2)中的第二卷积神经网络2，包括有如下8层结构：第1层为图像输入层，输入图像小块大小为5×5；

第2层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第3层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第4层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第5层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第6层为全连接层，输出节点个数为2；

第7层为Softmax层，对上层的输出结果进行归一化；

第8层为输出层，输出类标。

4.根据权利要求1所述的方法，其中步2)中将网络1和网络2进行层间的串联连接，是将网络1中第九层的正类输出接口与网络2中第一层的输入接口进行连接，构建出成对卷积神经网络。

5.根据权利要求4所述的方法，其中所述的成对卷积神经网络，包括有16层，各层参数如下：第1层为像输入层，输入图像小块大小为25×25；

第2层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第3层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第4层为卷积层，卷积个数为16，卷积核大小为3×3，滑动步长为1；

第5层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第6层为池化层，采用最大池化方法对上层的输出结果进行池化；

第7层为全连接层，输出结点个数为2；

第8层为Softmax层，对上层的输出结果进行归一化；

第9层为连接层；

第10层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第11层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第12层为卷积层，卷积核个数为16，卷积核大小为3×3，滑动步长为1；

第13层为激励层，激励函数为修正线性单元函数，对上层的输出结果进行激励；

第14层为全连接层，输出节点个数为2；

第15层为Softmax层，对上层的输出结果进行归一化；

第16层为输出层，输出类标。

6.根据权利要求1所述的方法，其中步5)中用形态学方法对步骤4)得到的粗分割图像进行闭运算处理，通过如下公式进行：close(X)＝E(D(X))

其中X为粗分割图像，close(X)表示对X进行闭运算，D为膨胀操作，E为腐蚀操作。

7.根据权利要求1所述的方法，其中步骤6)中对初始轮廓图像进行距离正则下的演化，按如下步骤进行：

6a)由初始轮廓图像中的闭合曲线生成水平集函数，根据水平集函数得到能量函数：ε(φ)＝μRp(φ)+λL(φ)+αA(φ)

其中φ是水平集函数；ε(φ)表示能量函数；Rp(φ)表示距离正则函数；μ为距离正则函数的系数；L(φ)表示加权长度函数，λ为加权长度函数的系数；A(φ)为加权面积函数；α为加权面积函数的系数；

6b)设置模型参数μ为0.067，λ为3，α为0.2，迭代次数为20；

6c)极小化能量函数，得到水平集函数的迭代方程：其中，φk为第k轮水平集函数；φk+1为第k+1轮水平集函数；μk为第k轮距离正则函数的系数；λk为第k轮加权长度函数的系数；αk为第k轮加权面积函数的系数；τ为时间步长；δ为Dirac函数；g为边缘指示函数；dp为双势井函数的一阶导数函数；▽为梯度算子；div为散度算子；

当达到迭代次数时，终止迭代，输出最终水平集函数，最终水平集函数映射为最终结果图像。

8.据权利要求1所述的方法，其中步骤7)中的参数迁移学习，是将已训练好的成对卷积神经网络的参数迁移到需要做磁共振图像中静脉血管分割的另一个病例的成对卷积神经网络中，即将已经训练好的成对卷积神经网络的参数，赋值给需要做磁共振图像中静脉血管分割的另一个病例的成对卷积神经网络。

9.根据权利要求1所述的方法，其中步骤7)对迁移后的成对卷积神经网络进行微调，按如下步骤进行：

7a)从需要做磁共振图像中静脉血管分割的另一个病例中取出三张有标记的图像作为训练图像，将训练图像中属于目标的大小为25×25的图像小块作为迁移后的成对卷积神经网络中第一个网络1的正类样本，将不属于目标的大小为25×25的图像小块作为迁移后的成对卷积神经网络中第一个网络1的负类样本，用该正类样本和负类样本对迁移后的成对卷积神经网络中第一个网络1进行训练；

7b)将训练图像中属于目标的大小为5×5的图像小块作为迁移后的成对卷积神经网络中第二个网络2的正类样本，将不属于目标的大小为5×5图像小块作为迁移后的成对卷积神经网络中第二个网络2的负类样本，用该正类样本和负类样本对迁移后的成对卷积神经网络中第二个网络2进行训练，最终得到训练好的迁移后成对卷积神经网络。