1.一种三维断层扫描图像中树状结构分叉关键点的检测方法，该方法分为离线阶段和在现阶段，其特征在于，该方法包括以下步骤：(1)离线阶段；(1-1)获取原始数据集并对原始数据集的每张图像进行预处理；获取N张包含同一解剖学树状结构的三维断层扫描图像作为原始图像，将所有原始图像组成原始数据集；对原始数据集中的每张原始图像进行预处理，预处理完毕后的所有图像组成预处理完毕的数据集；所述预处理包括对每张原始图像统一分辨率并将每张原始图像裁剪成统一尺寸，其中，裁剪后的图像包含原始图像中完整的树状结构；(1-2)对步骤(1-1)预处理完毕的数据集中的每张图像进行标注，所述标注包括每张图像的树状结构分叉处关键点标注和树状结构整体分割标注两部分，其中关键点标注结果为该图像对应的所有分叉关键点三维坐标，分割标注结果为该图像对应的逐像素二值图，该二值图中树状结构部分的像素值为1，背景部分的像素值为0；(1-3)利用步骤(1-2)的结果，生成每张预处理完毕的图像对应的分叉关键点检测、树状结构分割、分支向量场回归三个任务的预测目标；具体步骤如下：(1-3-1)关键点检测任务预测目标生成；对于每张预处理完毕的图像，以该图像中每个关键点分别作为目标关键点，则该目标关键点对应热图是以该目标关键点位置为中心、呈标准差为σ的三维高斯分布，该热图即为该关键点对应的关键点检测任务预测目标；其中，该图像的所有关键点共享一张背景热图；因此，该图像对应的热图生成的计算表达式为：其中，x k 为预处理完毕的任一图像的第k个关键点的空间坐标， 为该关键点对应的热图，k＝1，...，N l ；N l 为该图像中关键点个数， 为该图像所有关键点共享的背景热图；(1-3-2)树状结构分割任务预测目标生成；根据预处理完毕的图像的树状结构，将主干与各分支依据对应分叉位置的关键点划分为不同的类；然后，根据分类对预处理完毕的每张图像进行各类子结构区域二值化得到该图像中各分类对应的分割概率图作为该分类对应的树状结构分割任务预测目标，每张分割概率图均为一张二值图，大小与预处理完毕的图像一致，该分割概率图上对应分类的像素为1，其余像素为0；(1-3-3)分支向量场回归任务预测目标生成；对于每张预处理完毕的图像，基于步骤(1-2)得到的关键点三维坐标与步骤(1-3-2)生成的分割概率图，在该图像各分支上生成向量场，该向量场包括x、y、z三个通道，分别反映该分支两端起始关键点、结束关键点在三个轴向上的坐标差；(1-3-4)将每张预处理完毕的图像及对应的关键点标注结果、热图、分割概率图、分支向量场构成一个训练数据对，所有的训练数据对共同构成训练数据集；(1-4)构建深度学习网络；所述深度学习网络由主干部分和三个分支构成，其中主干部分采用U-Net结构，主干部分的最后一层分别连接三个分支，每个分支由一个残差模块、一个卷积核大小为1×1×1的卷积层构成；该网络的输入为预处理完毕的图像，三个分支的输出分别为该输入图像对应的每个关键点对应热图的预测结果、每个分类对应的分割概率图的预测结果、每个分支对应的分支向量场的预测结果，三个预测结果的分辨率与大小均与输入图像保持一致；(1-5)利用步骤(1-3)生成的训练数据集，对步骤(1-4)构建的深度学习网络进行训练，得到训练完毕后的深度学习网络；具体步骤如下：(1-5-1)对步骤(1-4)建立的网络随机初始化网络参数；从步骤(1-3)生成的训练数据集中随机选取一个训练数据对，将该训练数据对中的预处理完毕的图像输入步骤(1-4)建立的深度学习网络中，得到网络三个分支的最后一层输出为对应的三个预测结果；(1-5-2)将步骤(1-5-1)得到的三个预测结果和步骤(1-5-1)选取的训练数据对中对应的预测目标分别输入各预测任务对应的损失函数中，得到相应的损失函数值；计算网络训练的总损失函数：其中，α、β为超参数； 分别为关键点检测任务、树状结构分割任务、分支向量场回归任务的损失函数；(1-5-3)每输入一个训练数据对，该网络完成一次训练；基于每次训练得到的总损失函数值，通过梯度下降法最小化函数值，调整网络参数；当网络训练次数到达上限L次时，网络训练完毕，得到训练完毕得的深度学习网络；(2)在线阶段；(2-1)获取一张三维断层扫描图像，该图像与步骤(1-1)的原始图像为同一解剖学树状结构的三维断层扫描图像；(2-2)对步骤(2-1)获取的三维断层扫描图像进行预处理，预处理完毕后，该图像的分辨率和裁剪后的尺寸均与离线阶段预处理完毕的图像一致；(2-3)将步骤(2-2)预处理完毕后的图像输入步骤(1)训练完毕的深度学习网络中，该网络输出为输入图像对应的三个分支的预测结果，即分别为该输入图像对应的每个关键点对应的热图预测结果、每个分类对应的分割概率图的预测结果、每个分支对应的分支向量场的预测结果；(2-4)使用步骤(2-3)得到的热图预测结果与分割概率图预测结果得到关键点的最终检测结果，具体方法为：首先对每张分割概率图预测结果进行二值化处理，将二值化后的所有分割概率图进行融合，得到单张的整体树状结构的分割概率图，其中树状结构区域体素为1，背景区域体素为0；使用该整体树状结构的分割概率图分别对每张热图预测结果进行过滤，将该整体树状结构的分割概率图分别和每张热图预测结果逐体素相乘，在各张热图预测结果中将对应该整体树状结构的分割概率图中被分割为背景的位置的体素值置为0；过滤完毕后，选择每张热图预测结果中概率值最大的体素位置即为该热图对应的关键点的最终检测结果。
