1.一种基于深度学习的冠状动脉分割方法,其特征在于：包括如下步骤：

B1.获取原始CTA心脏图像；

B2.对B1. 原始CTA心脏图像归一化预处理，选取最佳的CT值观测窗口，截取CTA图像中冠状动脉区域，抑制非心脏组织，提升目标和背景的对比度；

B3.图像数据增广；

B4.构建深度学习网络，采用两个基于三层中继监督机制但训练标签不同的深度神经网络Net A和Net B对冠状动脉CTA数据进行训练，得到冠状动脉识别模型A以及B；

Net A训练标签只有0和1掩膜，Net B训练标签通过对Net A训练标签进行距离变换得到；

Net A和Net B网络结构为：

第一层：输入层；

第二至第五层：隐藏层：包含两个卷积层，每个卷积后接一个归一化层和激活函数层，第二至第四层最后采用一个池化层下采样，第五层最后接一个UpSampling层上采样；

第六至第八层：隐藏/中继输出层：包含一个跳跃拼接层，两个卷积层，每个卷积后都接一个归一化层、一个激活函数层，最后接一个UpSampling层，第六至八层分别输出损失函数Loss1、Loss2、Loss3；

第九层：输出层：网络最终的Loss由Loss1、Loss2、Loss3加权得到；

B5.利用B4.得到的冠状动脉识别模型进行冠状动脉分割。

2.根据权利要求1所述的一种基于深度学习的冠状动脉分割方法，其特征在于：所述步骤B3图像数据增广的方法包括水平翻转、垂直翻转、随机缩放、随机弹性变换、随机伽马校正中的一种或多种。

3. 根据权利要求1所述的一种基于深度学习的冠状动脉分割方法，其特征在于：所述Net A以及所述Net B的网络结构都包括九层，其中第一层为输入层，第二层至第八层为隐藏层，第九层为输出层，各层顺次连接，结构如下：第一层：输入层：输入训练集的三维CTA图像矩阵和每个三维CTA图像矩阵的真实标签；

第五层：隐藏层：上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第六层：隐藏/中继输出层：所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第七层：隐藏/中继输出层：所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第八层：隐藏/中继输出层：所述UpSampling进行上采样，上层图像数据在本层进行首次卷积后进行归一化以及激活处理，然后再次进行卷积后再进行归一化以及激活处理，最后进行上采样操作；

第九层：输出层:网络最终的Loss由Loss1、Loss2、Loss3经计算式Loss=( Loss1+2*Loss2+4*Loss3) /7

加权得到。

4. 根据权利要求3所述的一种基于深度学习的冠状动脉分割方法，其特征在于： NetA和Net B各层神经网络参数设置如下：第二层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为32，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；

第三层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为64，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；

第四层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为128，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；

第五层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为256，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME,UpSampling层的大小设置为2×2×2；

第六层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为128，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；UpSampling层的大小设置为2×2×2；

第七层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为64，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；UpSampling层的大小设置为2×2×2；

第八层：卷积层的卷积核大小为3×3×3，步长stride为1，卷积核数量为32，激活函数为Relu激活函数，池化层为最大池化层，大小为2×2×2，步长stride为2,填充模式padding设置为SAME；UpSampling层的大小设置为2×2×2；

第九层：激活函数为softmax激活函数。

5. 根据权利要求1所述的一种基于深度学习的冠状动脉分割方法，其特征在于: 所述距离变换步骤如下，首先判断血管表面像素，如果一个血管像素P，其六邻域内的U、D、W、E、S、N像素点有任意一点属于背景像素，那么该像素P则属于血管表面像素；对于不是表面像素的血管内像素Q，首先遍历以Q为中心，大小为3×3×3的27领域内的像素，如果存在血管表面像素，则计算欧式距离，若不存在血管表面像素，则继续扩大领域范围，在5×5×5、7×7×7、9×9×9、11×11×11直到Q点的领域内存在血管表面像素，可以计算欧式距离为止；遍历所有血管内像素，并计算得到每个像素与最近表面像素的距离。

6. 根据权利要求1所述的一种基于深度学习的冠状动脉分割方法，其特征在于: 所述步骤B5.中，将心脏图像输入冠状动脉识别模型A以及B后，两个模型分别输出对每个像素的预测概率，二者相加取平均，经过阈值处理后的输出即为最终分割结果。