1.一种脑血管图像自动分割方法，其特征在于，所述方法包括以下步骤：

步骤一，数据预处理

每个MRA数据按照软阈值莱斯去噪、直方图均衡化的顺序进行预处理，增强血管体素的分辨效果，数据进一步按照数据实际体素值不为零的边界作为输入数据的边界，裁去多余的值为零的黑色区域；

步骤二，数据分块

使用MITK从指定文件夹路径中依次单个读取NIfTI格式的MRA文件，在三个轴向上按照固定步长依次移动截取固定patch size的数据块；使用MITK从元数据读取方向、原点，每一次在轴向上移动按照移动步长、体素大小计算数据块的原点坐标和方向作为参数与截取的数据块一同写入新的分块MRA文件中，作为训练数据的MRA文件需要在硬件设备可承受的前提下按照不同的patch size划分形成不同的训练集用于测试；label进行与元数据同样的处理，训练集进一步统计label数据块的置信息，剔除训练集中label数据块体素占比小、处于边缘位置的数据；

步骤三，参数选择

使用MITK工具依次读取训练MRA元数据和label，分别统计MRA元数据的体素总量和label体素值不为零的体素总量，得到MRA元数据血管体素占比范围[a,b]，对训练集中的数据块统计血管体素占比，得到不同patch size的数据块占比-血管体素占比折线，选取在[a,b]范围内折线面积最大的patch size作为训练和血管分割应用的实际数据块大小，进一步提高网络输入数据的正则化程度，取epoch＝1，使训练集完成一次训练，得到不同batch size的loss-iteration曲线，根据loss的下降和loss终值速度选取合适的batch size；

步骤四，网络训练

用于脑血管分割的GAN网络包含一个3d的U型结构和一个多层的CNN网络结构，两者分别构成GAN网络的生成器G和判别器D；

步骤五，血管分割

首先按照上述步骤一、步骤二和选定的参数将元数据处理成输入数据，然后取batch size＝1输入生成器G得到预测图，预测图经过一次soft max得到预测结果，最后预测结果根据步骤二中分割数据块的顺序，重新将数据块拼接成完整的分割结果。

2.如权利要求1所述的一种脑血管图像自动分割方法，其特征在于，所述步骤四中，U型网络结构即生成器G包含四次下采样和四次上采样，下采样为2×2×2的max pool，上采样为输出channel为输入一半、kernel size为2、步长为2的反卷积，网络中的数据在每次下采样之前进行double conv，double conv为3×3×3卷积、batch normalization和relu的组合的两次重复，MRA数据的第一次卷积为1输入、64输出，其余double conv的第一次卷积的输出channel都为输入的两倍，所有double conv的第二次卷积输出channel和输入channel数量相同，取padding＝1，网络上采样之后的特征图与来自对应下采样之前的特征图拼接，经过一个SENet重新分配权重之后进行和下采样组成相同的double conv，使用的double conv的第一次卷积的输出channel都为输入的一半，所有double conv的第二次卷积输出channel和输入channel数量相同，最后一次double conv后再经过一次64输入、2输出的1×

1×1卷积和sigmoid得到预测图；

多层的CNN网络结构即判别器D为多层的3×3×3卷积、batch normalization、relu和2×2×2的max pool的依次组合，其中卷积的padding视实际的数据块patch size可以适当增减，判别器D的第一层卷积为1输入、64输出，最后一层为1输出的1×1×1卷积和sigmoid组合，其余卷积输出channel均为输入的两倍；

在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播，预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播，交替训练生成器和判别器，直至判别器的loss稳定。

3.如权利要求2所述的一种脑血管图像自动分割方法，其特征在于，所述的步骤四中，U型网络结构的训练方法包含以下步骤：

4.1，训练生成器G

在训练网络的过程中，训练集按照batch size被迭代多个epoch，首先数据传入生成器G得到预测图，然后读入相应的label数据，使用soft dice loss作为损失函数计算loss，最后清零梯度并反向传播；

4.2，训练判别器D

预测图经过一次soft max得到预测结果与对应的输入数据点乘得到判别器D的一组输入数据，同时对应label和输入数据点乘得到另一组输入数据，两组数据都经过判别器得到输出结果使用二分类交叉熵损失函数求得两个损失值，将两个损失值均值作为损失清零梯度后反向传播；

训练集按照batch size被迭代多个epoch，训练生成器和判别器，直至判别器的loss稳定。