1.一种基于CT影像的头部可变形统计图谱构建方法，其特征在于，包括：S1：基于最大熵阈值分割法对每个训练样本对应的头部CT影像进行分割并转化，获得每个训练样本中不同解剖结构对应的目标网格；

S2：获取头部参考模板和对应的3D多边形网格；

S3：基于解剖标志点约束的薄板样条鲁棒点匹配算法，采用轮廓匹配的分层式配准策略，将所述3D多边形网格与每个训练样本中不同解剖结构对应的目标网格进行配准，获得每个训练样本对应的个性化解剖结构表示；

S4：基于所述个性化解剖结构表示和统计形状建模方法构建出头部可变形统计图谱；

S1：基于最大熵阈值分割法对每个训练样本对应的头部CT影像进行分割并转化，获得每个训练样本中不同解剖结构对应的目标网格，包括：S101：在海量头部CT影像中筛选出无症状个体头部CT影像作为训练样本；

S102：基于最大熵阈值分割法对所述训练样本对应的头部CT影像进行分割，获得对应的可分割解剖结构和未分割解剖结构；

S103：基于等值面提取方法将所述可分割解剖结构和所述未分割解剖结构转化为对应的三角面片网格，并将对应三角面片网格作为对应解剖结构的目标网格；

S2：获取头部参考模板和对应的3D多边形网格，包括：

S201：获取通用人体数字模型的头部模型作为所述头部参考模板；

S202：基于人体MR影像提取出所述头部参考模板的解剖结构信息；

S203：基于所述解剖结构信息构建出对应的3D多边形网格；

S3：基于解剖标志点约束的薄板样条鲁棒点匹配算法，采用轮廓匹配的分层式配准策略，将所述3D多边形网格与每个训练样本中不同解剖结构对应的目标网格进行配准，获得每个训练样本对应的个性化解剖结构表示，包括：基于解剖标志点约束的薄板样条鲁棒点匹配算法，采用轮廓匹配的分层式配准策略，将所述3D多边形网格中包含的第一解剖结构与对应训练样本中包含的第二解剖结构对应的目标网格进行配准，获得对应训练样本的整体配准结果；

基于预设拓扑结构网格表示所述整体配准结果，获得每个训练样本对应的个性化解剖结构表示；

基于解剖标志点约束的薄板样条鲁棒点匹配算法，采用轮廓匹配的分层式配准策略，将所述3D多边形网格中包含的第一解剖结构与对应训练样本中包含的第二解剖结构对应的目标网格进行配准，获得对应训练样本的整体配准结果，包括：基于所述解剖标志点约束的薄板样条鲁棒点匹配算法，将所述3D多边形网格中包含的第一可分割解剖结构与所述训练样本中包含的对应第二可分割解剖结构进行点云配准，获得对应的第一配准结果；

基于所述第一配准结果确定出所述头部参考模板至对应训练样本的空间形变场；

确定出所述3D多边形网格中包含的所有第一解剖结构之间的第一相对位置信息和所述训练样本中包含的所有第二解剖结构之间的第二相对位置信息；

基于所述训练样本对应的空间形变场和对应的第二相对位置信息以及所述第一相对位置信息，将所述3D多边形网格中包含的第一未分割参考解剖结构与对应训练样本中包含的第二未分割解剖结构进行二次配准，获得对应训练样本的第二配准结果；

综合所述训练样本对应的第一配准结果和第二配准结果，获得对应训练样本的整体配准结果；

基于所述解剖标志点约束的薄板样条鲁棒点匹配算法，将所述3D多边形网格中包含的第一可分割解剖结构与所述训练样本中包含的对应第二可分割解剖结构进行点云配准，获得对应的第一配准结果，包括：人工标定出所述第一可分割解剖结构中包含的第一关键解剖标志点与所述训练样本中包含的对应第二可分割解剖结构中包含的第二关键解剖标志点；

确定出所述第一可分割解剖结构的第一点云表示和对应第二可分割解剖结构的第二点云表示；

基于所述第一点云表示和初始仿射变换矩阵以及初始非线性变形系数矩阵，确定出对应的初始非刚性变换函数；

基于所述初始非刚性变换函数确定出所述第一点云表示对应的初始非刚性变换映射；

基于预设的温度系数和所述第二点云表示以及所述初始非刚性变换映射确定出对应的权重系数，基于所述权重系数和所述第二点云表示确定出对应的权重系数矩阵；

基于所述第一关键解剖标志点、所述第二关键解剖标志点、所述第一点云表示、所述第二点云表示、所述权重系数矩阵和预设的正则化参数构建出对应的代价函数，将所述代价函数最小化，确定出新的非刚性变换函数；

基于最新确定的非刚性变换函数和所述第一点云表示确定出所述第二可分割解剖结构对应的与所述第一点云表示配准的第三点云表示，判断所述第二点云表示中每个点和所述第三点云表示中对应点之间的距离是否都小于预设阈值，若是，则将所述第三点云表示作为所述3D多边形网格中包含的第一可分割解剖结构对应的第一配准结果；

否则，基于预设减小梯度设置新的温度系数和新的正则化参数，基于新的温度系数和最新确定的非刚性变换函数确定出新的权重系数矩阵，基于新的权重系数矩阵和新的正则化参数构建出新的代价函数，将新的代价函数最小化，确定出新的非刚性变换函数，基于最新确定的非刚性变换函数确定出所述第二解剖结构对应的与所述第一点云表示配准的第四点云表示，直至所述第二点云表示中每个点和所述第四点云表示中对应点之间的距离都小于预设阈值时，则将所述第四点云表示作为所述3D多边形网格中包含的第一可分割解剖结构对应的第一配准结果。

2.根据权利要求1所述的一种基于CT影像的头部可变形统计图谱构建方法，其特征在于，基于预设拓扑结构网格表示所述整体配准结果，获得每个训练样本对应的个性化解剖结构表示，包括：基于所述整体配准结果获得所述3D多边形网格中每个顶点至对应训练样本中对应顶点的映射关系；

基于预设拓扑结构网格表示所述整体配准结果，获得每个训练样本对应的个性化解剖结构表示。

3.根据权利要求2所述的一种基于CT影像的头部可变形统计图谱构建方法，其特征在于，S4：基于所述个性化解剖结构表示和统计形状建模方法构建出头部可变形统计图谱，包括：基于广义普氏分析对所述个性化解剖结构中所述训练样本对应的整体配准结果中的形状网格进行空间方位归一化，获得所述训练样本对应的归一化形状网格；

基于主成分分析方法和所述整体配准结果，提取所述归一化形状网格中的统计形变分量，基于所述统计形变分量构建出对应的可变形图谱。

4.根据权利要求3所述的一种基于CT影像的头部可变形统计图谱构建方法，其特征在于，基于广义普氏分析对所述训练样本对应的整体配准结果中的形状网格进行空间方位归一化，获得所述训练样本对应的归一化形状网格，包括：基于所述形状网格中包含的所有点在参考坐标系下对应的第一坐标值，计算出所述形状网格的形状中心对应的第二坐标值；

基于所述形状中心对应的第二坐标值对所述形状网格中包含的所有点进行去中心化处理，获得对应的原点对齐形状网格；

基于所述形状网格中包含的所有点在参考坐标系下对应的第一坐标值和所述形状中心对应的第二坐标值计算出对应训练样本的形状尺寸测度；

将所述原点对齐形状网格中每个点对应的第三坐标值除以对应的形状尺寸测度，获得对应的尺度归一化形状网络；

在所有训练样本对应的尺度归一化形状网络中任选一个尺度归一化形状网络作为参考形状；

将所有训练样本对应的尺度归一化形状网络中除所述参考形状以外剩余的待旋转形状与所述参考形状进行对齐，获得新的训练样本；

计算出新的训练样本对应的平均形状，计算出所述平均形状和所述参考形状之间的普氏距离平方值；

当所述普氏距离平方值大于设定阈值时，则将平均形状设置为新的参考形状，将所有训练样本对应的尺度归一化形状网络中除新的参考形状以外剩余的待旋转形状与新的参考形状进行对齐，直至最新获得的平均形状与最新的参考形状之间的普氏距离不大于设定阈值时，则将最新获得的训练样本作为对应的归一化形状网格。

5.根据权利要求4所述的一种基于CT影像的头部可变形统计图谱构建方法，其特征在于，基于主成分分析方法和所述整体配准结果，提取所述归一化形状网格中的统计形变分量，基于所述统计形变分量构建出对应的可变形图谱，包括：计算出所有归一化形状网格的平均形状网格和协方差矩阵；

对所述协方差矩阵进行特征值分解，获得对应的由特征向量构成的正交矩阵和由特征值构成的对角矩阵；

将所述对角矩阵中包含的特征值从大到小排序获得对应的特征值序列；

将所述特征值序列中前n个特征值当作对应所述可变形图谱的数据集，将所述数据集中包含的每个第一特征值在所述正交矩阵中对应的第一特征向量当作对应归一化形状网格的统计形变分量；

基于所有归一化形状网格对应的权重变形参数和对应的统计形变分量的乘积与所述平均形状网格的线性组合，构建出对应的可变形图谱。