1.一种基于深度学习的脑部MRI海马体三维分割方法，其特征在于，步骤如下：步骤1，对原始图像集A进行了预处理；所述的原始图像集A包含132组NIfTI格式的脑部MRI海马体影像文件；

步骤1.1尺寸缩小

将原始图像集A中的影像文件全部分割成分辨率为32*32*32的影像文件，得到图像集B；

步骤1.2选取图像集B中的图像有效区域取图像集B中的图像任意像素点和该像素点的N邻域的像素点与其做标准差运算，其中，N>1；标准差都为零，则所取该像素点与其N邻域的其他像素点内容完全一致，即为背景部分；

将图像集B中的图像背景部分赋值为0，得到只包含图像有效区域的图像集C，实现大块无效数据不进入训练过程；

步骤1.3数据增强

对图像集C中的图像进行数据增强，增加图像集C数据的丰富性，得到扩充图像集D，从而提高训练模型的精确度；

步骤1.4数据规范化

对扩充图像集D进行数据规范化处理，使扩充图像集D中的像素值的范围为[0，1]，得到规范化的图像集E；

步骤2，搭建网络模型；

脑部MRI海马体三维分割网络模型分为左侧和右侧两部分，左侧的收缩路径用于捕捉图像的内容，右侧的扩张路径用于精准定位；左侧为一个下采样过程，分五组卷积操作进行；由输入起第一组为3个一维卷积层和1个三维卷积层，第一组操作后，进入最大池化层，进行1次最大池化操作；然后开始第二组到第五组操作，第二组到第五组均为1个三维卷积层，每组之间卷积操作后进入最大池化层，进行1次最大池化操作；左侧部分完成后进行第9层操作，第9层为1个三维卷积层；完成第九层操作后，进行右侧部分操作，右侧为上采样过程，第9层操作后依次进入第10层到第18层，第10层为反卷积层，第11层和第12层都是三维卷积层，第13层为反卷积层，第14层为三维卷积层，第15层为反卷积层，第16层为三维卷积层，第17层为反卷积层，第18层为三维卷积层，每个卷积层都附带有ReLU激活函数；第18层操作后输出；

步骤3，训练得到用于脑部MRI海马体三维分割的网络模型；

将规范化的图像集E作为训练集来训练步骤2中的脑部MRI海马体三维分割网络模型，得到训练好的用于脑部MRI海马体三维分割的网络模型F；

所述的步骤3中，训练使用categorical_cross‑entropy作为损失函数，categorical_cross‑entropy公式如下：其中，p为预测，t为目标，i表示数据点，j表示类别。

2.如权利要求1所述的脑部MRI海马体三维分割方法，其特征在于，所述的步骤1.2中所述的N取值为8。

3.如权利要求1或2所述的脑部MRI海马体三维分割方法，其特征在于，所述的步骤1.3数据增强包括旋转、镜像、弹性扭曲和膨胀。

4.如权利要求1或2所述的脑部MRI海马体三维分割方法，其特征在于，对网络模型F进行模型验证；对结果精度的评估采用Dice Metric指标，使用Dice指标来评估所提出的分割算法准确率；

Dice Metric指标如下：其中，A为分割图，B为ground‑truth真实分割，|A|和|B|分别为A和B分割图的三维像素数量，|A∩B|为两图重合部分的三维像素数量。

5.如权利要求3所述的脑部MRI海马体三维分割方法，其特征在于，对网络模型F进行模型验证；

对结果精度的评估采用Dice Metric指标，使用Dice指标来评估所提出的分割算法准确率；

Dice Metric指标如下：其中，A为分割图，B为ground‑truth真实分割，|A|和|B|分别为A和B分割图的三维像素数量，|A∩B|为两图重合部分的三维像素数量。