1.基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，具体按照以下步骤实施：步骤1、建立数据库，将该数据库中的图像随机分成训练集和测试集，并构建对应的训练集真值图和测试集真值图；

步骤2、对步骤1建立的训练集和测试集进行预处理，得到归一化的训练集图像和测试集图像；

步骤3、构建多尺度卷积神经网络：采用步骤2的训练集图像和步骤1的训练集真值图分别作为多尺度卷积神经网络的输入和输出，训练、更新网络参数，从而得到多尺度卷积神经网络的模型；

步骤4、预测神经元质心概率：将步骤2的测试集图像送入步骤3训练好的多尺度卷积神经网络模型的输入端，该网络得到的输出结果即为预测的测试集中神经元质心的概率图；

步骤5、检测神经元质心：根据步骤4的神经元质心的概率图，对图中的每个像素，提取以该像素为中心、半径为R的圆盘内概率大于T且为局部最大值的像素，T＝0.15，计算提取的全部像素的连通分量，其重心即为本发明检测到的神经元的质心。

2.根据权利要求1所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤1具体如下：从数据库M张图像中随机选取N张图像作为训练集，使用剩余M‑N张图像作为测试集，在上述M张图像中每个神经元中心位置即质心处手动标记一个圆盘识别每个神经元，构建真值图。

3.根据权利要求2所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述圆盘半径为5像素。

4.根据权利要求2所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤2具体如下：对步骤1建立的数据库图像进行预处理，得到归一化的图像I：

I(x,y)＝(R(x,y)+G(x,y)+B(x,y))/3/255 (1)式中，I(x,y)为图像I中像素(x,y)的灰度归一化值，I(x,y)的范围为0‑1，步骤1的数据库图像为彩色图像，由红色R、绿色G、蓝色B分量构成，R(x,y)为像素(x,y)在R分量中的灰度级，G(x,y)为像素(x,y)在G分量中的灰度级，B(x,y为像素(x,y)在B分量中的灰度级。

5.根据权利要求4所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤3具体如下：步骤3.1、构建多尺度编码器网络；

步骤3.2、构建解码器网络；

步骤3.3、将步骤2的训练集图像作为步骤3.1中构建的多尺度编码器网络的输入端，将步骤1的训练集真值图作为步骤3.2中构建的多尺度解码器网络的输出端，使用反向传播和随机梯度下降法，根据最小化交叉熵原理，训练、更新网络参数，得到多尺度卷积神经网络模型。

6.根据权利要求5所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤3.1中多尺度编码器网络由最大池化层、卷积层和ReLU层构成，具体如下：步骤3.1.1、首先构建3个尺度提取神经元特征，具体如下：

a1.直接对步骤2的训练集图像进行最大池化运算操作，作为第一个尺度，得到特征图其中，m和n代表特征图的长和宽，d代表特征图第三维度的长度，即特征图数量，步骤a1的特征图为 a1为该特征图的编号；

a2.使用大小为3×3像素的64个卷积核对步骤2的训练集图像进行一次卷积操作，该64个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，然后再执行一次最大池化操作，作为第二个尺度，得到特征图 a2为该特征图的编号；

a3.使用大小为3×3像素的64个卷积核对步骤2的训练集图像进行两次连续的卷积操作，这两次卷积操作采用的共128个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，然后再执行一次最大池化操作为第三个尺度，得到特征图 a3为该特征图的编号；

步骤3 .1 .2、将步骤3 .1 .1中得到的三个尺度的特征图级联在一起，得到特征图 m1为该特征图的编

号，至此，感受野尺寸为2×2像素、4×4像素和6×6像素；

步骤3.1.3、然后继续构建3个尺度提取神经元特征，具体如下：b1.使用大小为1×1像素的1个卷积核对步骤3.1.2得到的特征图 进行一次卷积操作，该卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，然后执行一次最大池化操作，作为第一个尺度，得到特征图 b1为该特征图的编号；

b2.使用大小为3×3像素的256个卷积核对步骤3.1.2得到的特征图 进行一次卷积操作，该256个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，然后执行一次最大池化操作，为第二个尺度，得到特征图 b2为该特征图的编号；

b3.使用大小为3×3像素的256个卷积核对步骤3.1.2得到的特征图 进行两次连续的卷积操作，这两次卷积操作采用的共512个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，然后执行一次最大池化操作为第三个尺度，得到特征图b3为该特征图的编号；

步骤3 .1 .4、将步骤3 .1 .3中得到的三个尺度的特征图级联在一起，得到特征图 m2为该特征图的

编号，至此，感受野尺寸为4×4像素、6×6像素、8×8像素、10×10像素、12×12像素、14×14像素和16×16像素；

步骤3.1.5、对步骤3.1.4得到的特征图 使用大小为3×3像素的1024个卷积核执行两次卷积操作，这两次卷积操作采用的共2048个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，用来加强神经元质心细节特征的提取，得到特征图c为该特征图的编号，至此，得到感受野尺寸分别为20×20像素、22×22像素、24×24像素、26×26像素、28×28像素、30×30像素和32×32像素的7个不同尺度构成的多尺度编码器网络。

7.根据权利要求6所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤3.2中解码器网络由两组对应编码器网络的上采样层、卷积层和ReLU层组成，具体如下：步骤3.2.1、对步骤3.1的结果进行一次上采样，得到特征图 q为该特征图的编号；

步骤3.2.2、使用大小为2×2像素的512个卷积核对步骤3.2.1得到的特征图进行一次卷积操作，得到特征图 e为该特征图的编号，该512个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一；

步骤3.2.3、使用大小为3×3像素的512个卷积核对步骤3.2.2得到的特征图进行一次卷积操作，得到特征图 g为该特征图的编号，该512个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一；

步骤3.2.4、对步骤3.2.3得到的特征图 进行一次上采样，得到特征图h为该特征图的编号；

步骤3.2.5、使用大小为2×2像素的256个卷积核对步骤3.2.4得到的特征图进行一次卷积操作，得到特征图 k为该特征图的编号，该256个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一；

步骤3.2.6、使用大小为3×3像素的256个卷积核对步骤3.2.5得到的特征图进行一次卷积操作，得到特征图 l代表为该特征图的编号，该

256个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一；

至此，步骤3.2.6得到特征图 的尺寸恢复为步骤2的训练集图像的尺寸

512×512，此时，特征图数量为256；

步骤3.2.7、采用内核大小为3×3像素的2个卷积核对步骤3.2.6的结果进行一次卷积操作，得到特征图 n为该特征图的编号，这2个卷积核的权重即为需要训练的多尺度卷积神经网络的参数之一，特征图数量2对应于步骤1的真值图中的2个类别，即神经元质心和非质心；

步骤3.2.8、对步骤3.2.7的结果应用sigmoid激活函数，得到步骤2的训练集图像I对应的神经元的质心概率图P，该质心概率图P尺寸为512×512像素，在质心概率图P中，像素的概率值越大，该像素为神经元质心的可能性越大。

8.根据权利要求7所述的基于多尺度卷积神经网络的脑神经元自动检测方法，其特征在于，所述步骤3.3具体如下：设置学习率为0.0001，选择Adam作为优化器，损失函数设为binary_crossentropy，使用反向传播和随机梯度下降法最小化损失函数，得到训练好的网络参数，即所有卷积核的权重，所有卷积核的权重即构成多尺度卷积神经网络模型。