1.融合条件随机与残差的三维u-net大脑肿瘤分割方法，其特征在于，包括如下步骤：
步骤1，对训练集进行三层级联网络架构训练，获得卷积神经网络的模型
步骤1-1，对flair、t1、t1c、t2四种模态磁共振图像进行预处理，磁共振图像数据为三维矩阵形式；
将原始磁共振图像进行z-core归一化，将数据转化到[0,1]之间，计算公式如下式所示：
其中x’为归一化处理之后的结果，x为输入的矩阵，mean为矩阵的均值，std为矩阵的标准差；
步骤1-2，对三维的原始磁共振图像做取图像块操作
三层网络架构的每一层的输入图像块的大小分别为16×144×144、16×96×96、16×64×64，将flair、t1、t1c、t2这四种模态按通道的形式堆叠起来，则输入的图像块大小为4×16×144×144、4×16×96×96、4×16×64×64；
第一层网络训练时，将大脑的图像根据边界取出，把背景的信息去除，在整个大脑图像中，分割出整个脑部肿瘤；第二层网络训练时，根据groundtruth的信息将肿瘤根据边界取出，在取出的肿瘤图像中训练，在肿瘤中分割出肿瘤核；第三层网络训练时，根据groundtruth的信息将肿瘤核根据边界取出，在肿瘤核的图像中训练，在肿瘤核中分割出增强型肿瘤；
步骤1-3，将图像块放入卷积神经网络训练，卷积神经网络为三维的u-net，训练若干次之后，获得卷积神经网络模型，其中卷积计算公式如下式所示：
s(i,j,k)＝(i*k)(i,j,k)＝∑m∑n∑pi(m,n,p)k(i-m,j-n,k-p)(2)
其中，i为对输入的三维图像，k为三维卷积核，s为卷积结果矩阵，i、j、k指定了结果矩阵的某具体三维位置，m、n、p指定了输入矩阵的某具体三维位置；
步骤2，通过卷积神经网络模型，对测试集进行测试，获得对应大脑肿瘤每一个分类的概率矩阵
步骤2-1，在每一层测试的时候，均获得对应轴向面、冠状面和矢状面三个维度的三个概率矩阵p1、p2、p3，根据下式得到这一层的概率矩阵pres：
步骤3，对概率矩阵进行后处理
步骤3-1，对概率矩阵使用条件随机场后处理，更新概率，获得最终的大脑肿瘤分割结果，分割结果图像数据以三维矩阵的形式保存。
2.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法，其特征在于，所述步骤1-2中三层网络架构分别做二分类、二分类和三分类，这样能分步简化问题并且获得更好的效果。
3.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法，其特征在于，所述步骤1-3中三维的u-net使用步长为2的卷积层代替了池化层，来做下采样的操作。
4.根据权利要求1或3所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法，其特征在于，所述步骤1-3中三维的u-net中引入残差块到卷积层之中。
5.根据权利要求1所述的融合条件随机与残差的三维u-net大脑肿瘤分割方法，其特征在于，所述步骤1-3在三维磁共振图像的三个维度——轴向面、冠状面和矢状面分别训练模型。