1.一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，具体按照以下步骤实施：

步骤1、建立脑神经元分割数据库，将脑神经元分割数据库内的数据随机分成训练集和测试集，并标记神经元像素，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分别进行预处理，得到归一化的训练集图像和测试集图像；

步骤3、构建基于分割和误差引导的脑神经元迭代分割网络，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基于分割和误差引导的脑神经元迭代分割网络的输入和输出，训练、更新网络参数，从而得到训练好的基于分割和误差引导的脑神经元迭代分割网络的模型；

步骤4、将步骤2的测试集图像送入步骤3训练好的基于分割和误差引导的脑神经元迭代分割网络模型的输入端，输出结果即为预测的测试集中神经元的概率图；

步骤5、提取步骤4的神经元的概率图中概率大于0.5的像素，即为得到的神经元分割结果。

2.根据权利要求1所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤1具体如下：

从2张猴脑冠状切片的显微图像中截取不同解剖区域的100张大小为512×512像素的显微图像构成脑神经元分割数据库，在100张图像中随机选取N张图像作为训练集，使用剩余100‑N张图像作为测试集，在上述100张图像中手动标记神经元像素，得到脑神经元分割数据库的真值图。

3.根据权利要求2所述的一种基于分割和误差引导的脑神经元迭代分割方法，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)＝(0.299×R(x,y)+0.587×G(x,y)+0.114×B(x,y))/255    (2)式中，I(x,y)为图像I中像素(x,y)的归一化值，范围为0‑1，步骤1的数据库图像为彩色图像，由R、G、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。

4.根据权利要求3所述的一种基于分割和误差引导的脑神经元迭代分割方法，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，在不同尺度提取神经元特征；

步骤3.2、构建多目标解码器网络，多目标解码器网络由3条路经组成，分别用来预测神经元分割结果、神经元分割结果的假阴错误和神经元分割结果的假阳错误；

步骤3.3、构建基于分割和误差引导的脑神经元迭代分割网络；

步骤3.4、将步骤2的训练集图像作为步骤3.1中构建的码器网络的输入，将步骤1的训练集真值图作为步骤3.3中构建的基于分割和误差引导的脑神经元迭代分割网络的输出，使用反向传播和随机梯度下降法，计算损失函数，根据最小化损失函数原理，训练、更新网络参数，直至训练次数达到Q次停止，得到基于分割和误差引导的脑神经元迭代网络模型。

5.根据权利要求4所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤3.1中多尺度编码器网络由L1、L2、L3、L4、L5模块构成，步骤3.1具体如下：步骤3.1.1、在模块L1中，使用大小为3×3像素的32个卷积核对步骤2的训练集图像进m×n×d

行两次连续的卷积操作和激活操作，得到特征图f ，m和n代表特征图的长和宽，d代表特

512×512×32

征图的维数，步骤3.1.1的特征图尺寸为f ；

256×256×32

步骤3.1.2、对步骤3.1.1得到的特征图执行一次最大池化操作，得到特征图f ；

步骤3.1.3、在模块L2中，使用大小为3×3像素的64个卷积核对步骤3.1.2得到的特征

256×256×64

图进行两次连续的卷积操作和激活操作，得到特征图f ；

128×128×64

步骤3.1.4、对步骤3.1.3得到的特征图执行一次最大池化操作，得到特征图f ；

步骤3.1.5、在模块L3中，使用大小为3×3像素的128个卷积核对步骤3.1.4得到的特征

128×128×128

图进行两次连续的卷积操作和激活操作，得到特征图f ；

64×64×128

步骤3.1.6、对步骤3.1.5得到的特征图执行一次最大池化操作，得到特征图f ；

步骤3.1.7、在模块L4中，使用大小为3×3像素的256个卷积核对步骤3.1.6得到的特征

64×64×256

图进行两次连续的卷积操作和激活操作，得到特征图f ；

32×32×256

步骤3.1.8、对步骤3.1.7得到的特征图执行一次最大池化操作，得到特征图f ；

步骤3.1.9、在模块L5中，使用大小为3×3像素的512个卷积核对步骤3.1.8得到的特征

32×32×512

图进行两次连续的卷积操作和激活操作，得到特征图f ，至此，神经元的特征在不同尺度上被提取。

6.根据权利要求5所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤3.2中多目标解码器网络由3条路径组成，具体如下：a.多目标解码器路径1由L4seg、L3seg、L2seg、L1seg模块构成，用来预测神经元分割结果，具体步骤如下：

步骤3.2.a.1、对步骤3.1.9的结果进行一次上采样，使用大小为3×3像素的256个卷积

64×64×256

核得到特征图f ；

步骤3.2.a.2、在模块L4seg中，将步骤3.1.7的结果和步骤3.2.a.1的结果级联，再使用

64×64×256

大小为3×3像素的256个卷积核执行两次卷积操作，得到特征图f ；

64

步骤3.2.a.3、对步骤3.2.a.2的结果使用大小为3×3像素的2个卷积核得到特征图f×64×2

，应用sigmoid激活函数，得到神经元概率图 即为步骤1的训练集图像在L4seg模块中得到的每个像素为神经元的概率，概率越大，该像素为神经元的可能性越大；

步骤3.2.a.4、对步骤3.2.a.2的结果进行一次上采样，使用大小为3×3像素的128个卷

128×128×128

积核得到特征图f ；

步骤3.2.a.5、在模块L3seg中，将步骤3.1.5的结果和步骤3.2.a.4的结果级联，再使用

128×128×128

大小为3×3像素的128个卷积核执行两次卷积操作，得到特征图f ；

128

步骤3.2.a.6、对步骤3.2.a.5的结果使用大小为3×3像素的2个卷积核得到特征图f×128×2

，应用sigmoid激活函数，得到神经元概率图步骤3.2.a.7、对步骤3.2.a.5的结果进行一次上采样，使用大小为3×3像素的64个卷

256×256×64

积核得到特征图f ；

步骤3.2.a.8、在模块L2seg中，将步骤3.1.3的结果和步骤3.2.a.7的结果级联，再使用

256×256×64

大小为3×3像素的64个卷积核执行两次卷积操作，得到特征图f ；

256

步骤3.2.a.9、对步骤3.2.a.8的结果使用大小为3×3像素的2个卷积核得到特征图f×256×2

，应用sigmoid激活函数，得到神经元概率图步骤3.2.a.10、对步骤3.2.a.8的结果进行一次上采样，使用大小为3×3像素的32个卷

512×512×32

积核得到特征图f ；

步骤3.2.a.11、在模块L1seg中，将步骤3.1.1的结果和步骤3.2.a.10的结果级联，再使

512×512×32

用大小为3×3像素的32个卷积核执行两次卷积操作，得到特征图f ，得到的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，特征图的维数为32；

步骤3.2.a.12、对步骤3.2.a.11的结果使用大小为3×3像素的2个卷积核得到特征图

512×512×2

f ，应用sigmoid激活函数，得到神经元概率图b.多目标解码器路径2由L4e1、L3e1、L2e1、L1e1模块构成，用来预测神经元分割结果的假阴错误，具体步骤与3.2.a.1到3.2.a.12一致，最后得到L4e1到L1e1的概率图分别为分别为L4e1、L3e1、L2e1、L1e1模块预测的神经元分割结果的假阴错误；

c.多目标解码器路径3由L4e2、L3e2、L2e2、L1e2等模块构成，用来预测神经元分割结果的假阳错误，具体步骤与3.2.a.1到3.2.a.12一致，最后得到L4e2到L1e2的概率图分别为概率图

分别为L4e2、L3e2、L2e2、L1e2模块预测的神经元分割结果的假阳错误；至此，多目标解码器网络的3条路径构建完成。

7.根据权利要求6所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤3.3具体如下：步骤3.3.1、为改善网络在下一次迭代后得到的分割结果和假阴错误，并抑制假阳错误，根据公式(3)计算多目标解码器网络的3条路经在L4seg、L4e1、L4e2模块的输出结果和 的加权和，将加权和结果与步骤3.1.6、步骤3.2.c.2的结果级联，作为下一次迭代时网络在L4模块的输入，构成迭代结构，公式(3)计算如下：Eq＝(p1i+p2i)/2×(1‑p3i)    (3)式中，i为神经网络中的第Li层；

步骤3.3.2、根据公式(3)计算多目标解码器网络的3条路经在L3seg、L3e1、L3e2模块的输出结果 和 的加权和，将结果与步骤3.1.4、步骤3.2.c.5的结果级联，作为下一次迭代时网络在L3模块的输入，构成迭代结构；

步骤3.3.3、根据公式(3)计算多目标解码器网络的3条路经在L2seg、L2e1、L2e2模块的输出结果 和 的加权和，将结果与步骤3.1.2、步骤3.2.c.8的结果级联，作为下一次迭代时网络在L2模块的输入，构成迭代结构；

步骤3.3.4、根据公式(3)计算多目标解码器网络的3条路经在L1seg、L1e1、L1e2模块的输出结果 和 的加权和，将结果与步骤2的训练集图像、步骤

3.2.c.11的结果级联，作为下一次迭代时网络在L1模块的输入，构成迭代结构，至此，基于分割和误差引导的脑神经元迭代分割网络构成。

8.根据权利要求7所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤3.4具体如下：对步骤2的训练集图像应用所述步骤3.3构建的基于分割和误差引导的脑神经元迭代分割网络，在多次迭代后，脑神经元分割结果得到改善，所构建的基于分割和误差引导的脑神经元迭代分割网络的学习率设置为1e‑5，选择Adam作为优化器，根据定义的损失函数，使用反向传播和随机梯度下降法训练、更新基于分割和误差引导的脑神经元迭代分割网络参数，直至训练次数达到Q次停止，至此，得到所有网络参数，即基于分割和误差引导的脑神经元迭代分割网络构建完成，

其中，损失函数计算方式定义为：式中，为损失函数，i为数字1，2，3，4，y1,i,n为人为标记的真值图，p1,i,n、p2,i,n、p3,i,n分别为多目标解码器网络的第1、2、3条路经上第Li层第n个像素的预测概率值，N为一幅图像中的像素总个数。

9.根据权利要求8所述的一种基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤4具体如下：

将步骤2的测试集图像送入步骤3训练好的基于分割和误差引导的脑神经元迭代分割网络模型，步骤3训练好的基于分割和误差引导的脑神经元迭代分割网络模型的L1seg模块得到的输出结果，即步骤3.2.a.12得到的结果，即为测试集中预测的神经元的概率图。

10.根据权利要求9所述的基于分割和误差引导的脑神经元迭代分割方法，其特征在于，所述步骤5具体如下：

将步骤4的神经元的概率图中概率大于0.5的像素置为1，得到神经元分割结果。