1.一种基于结构特征优化的颈动脉级联学习分割方法，其特征在于，所述方法包括以下步骤：

步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像；

步骤2、基于分割子区域的距离来优化分割，过程如下：步骤2.1：对预分割S提取其区域范围信息，优化分割结果，将n个分割区域分为最大区域R_max和待判定区域R_i(i＝1,...,n‑1)；

步骤2.2：定义在S中根据8连通规则可统计所有的区域的点集Ri，其中包含体素个数最多的最大区域的点集Rm，通过计算其他区域点集与最大区域点集的欧氏距离，以最小的欧式距离代表区域间的距离：

2

Di＝min||Rm‑Ri||，i＝{1，...，n‑1}Sn＝{R0，...Rn‑1，Rm}，Sn＝Sn‑1∪{Rm}其中Sn代表内腔预分割的区域集合，包含n个区域，除去最大区域Rm，其余的区域为待判定区域Ri的集合Sn‑1；

步骤2.3：然后利用距离门限值dmin来筛选预分割中的异常分割区域，得到优化后的区域Sopt，

其中对于体素数量过大的区域，通过用Marching‑Cubes方法构建三维表面以简化计算量；

步骤3、基于中心线端点距离来优化分割，过程如下：步骤3.1：分别对每个预分割提取其中心线信息，用三维细化方法Lee‑1994获得每个区域的中心线；

步骤3.2：对优化后的区域的中心线，并找到他们的端点集Pi,对于最大区域Rm有其骨架的端点集Pm；

步骤3.3：计算待判定端点集Pi到最大区域端点Pm之间的欧氏距离，并用最大端点距离门限值来进一步筛选距离过大的区域，从而进一步优化分割；

步骤4、基于血管方向和中心线端点向量夹角来优化分割，过程如下：步骤4.1：对优化后的区域，在计算出每个待判定区域所代表的血管中心线后，利用主成分分析方法PCA来获得该中心线的大致方向：T

U∑V＝P(x，y，z)‑P′(x′，y′，z′)上式中，P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵，P’(x’,y’,z’)为点集的平均位置，在SVD分解时他们行数相同，P’(x’,y’,z’)复制自身来实现，通过SVD分解之后矩阵V的第一行代表该中心线的方向，即血管方向Vc；

步骤4.2：用最大区域中心线端点和待判定区域端点定义端点向量集Vep：其中EO和EM分别为每个待判定中心线端点点集和最大区域中心线端点集；

步骤4.3：然后用端点向量集和血管方向集，定义中心线端点和最大区域中心线端点的夹角集Ai：

其中，

N代表端点向量集中的向量个数，Copt为优化后的中心线集，只要夹角集中有一个角度小于角度门限值θthr，该中心线代表的待判定区域就会保留；

步骤5、利用优化后的分割训练新的分割模型：最后利用优化后的预分割结果，结合初始图像进行级联分割模型的训练。

2.如权利要求1所述的一种基于结构特征优化的颈动脉级联学习分割方法，其特征在于，所述步骤1中，分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。