1.一种基于深度学习的冠状动脉造影图分割的优化方法，其特征在于，包括以下步骤：步骤S1：获取历史冠状动脉数据，对历史冠状动脉数据进行动脉异常分析，从而获得历史冠状动脉异常数据；步骤S1包括以下步骤：步骤S11：获取历史冠状动脉数据；

步骤S12：对历史冠状动脉数据进行结构化数据提取以及图像提取，从而获得历史冠状动脉结构化数据以及历史冠状动脉图像；

步骤S13：对历史冠状动脉结构化数据进行结构化冠状动脉异常分析，从而获得历史冠状动脉结构化异常数据；步骤S13具体为：步骤S131：对历史冠状动脉结构化数据进行统计分析，从而获得高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据；

步骤S132：对历史冠状动脉结构化数据进行结构化潜在异常分析，从而获得潜在冠状动脉异常结构化数据；步骤S132具体为：通过冠状动脉结构化潜在异常聚类算法对历史冠状动脉结构化数据进行聚类计算，从而获得潜在冠状动脉异常结构化数据；其中，冠状动脉结构化潜在异常聚类算法的函数公式具体为：其中f为冠状动脉结构化潜在异常得分，x,y,z为冠状动脉在三维空间中的坐标，t为时间，n为冠状动脉的总数，i为冠状动脉的序号，ai为第i个冠状动脉的长度，bi为第i个冠状动脉的宽度，ci为第i个冠状动脉的厚度，θi为第i个冠状动脉与水平面的夹角，π为圆周率；

步骤S133：对潜在冠状动脉异常结构化数据、高频冠状动脉异常结构化数据以及低频冠状动脉异常结构化数据进行时序合并，从而获得历史冠状动脉结构化异常数据；

步骤S14：对历史冠状动脉图像进行图像冠状动脉异常分析，从而获得历史冠状动脉异常图像；步骤S14包括以下步骤：步骤S141：对历史冠状动脉图像进行统计分析，从而获得高频冠状动脉异常图像以及低频冠状动脉异常图像；

步骤S142：对历史冠状动脉图像进行潜在冠状动脉异常图像识别，从而获得潜在冠状动脉异常图像；步骤S142包括以下步骤：通过冠状动脉潜在异常图像识别算法对历史冠状动脉图像进行潜在异常图像识别，从而获得潜在冠状动脉异常图像；其中冠状动脉潜在异常图像识别算法的函数公式具体为：其中g为冠状动脉图像潜在异常得分，x,y,z为冠状动脉在三维空间中的坐标，t为时间，n为冠状动脉的总数，i为冠状动脉的序号，pi为第i个冠状动脉的灰度，qi为第i个冠状动脉的对比度，ri为第i个冠状动脉的清晰度，φi为第i个冠状动脉与垂直面的夹角，π为圆周率；

步骤S143：将潜在冠状动脉异常图像、高频冠状动脉异常图像以及低频冠状动脉异常图像进行时序合并，从而获得历史冠状动脉异常图像；

步骤S15：将历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行数据合并，从而获得历史冠状动脉异常数据；

步骤S2：对历史冠状动脉异常数据进行图像合成，从而获得冠状动脉造影图像；步骤S2具体为：步骤S21：对历史冠状动脉异常数据进行结构化异常数据提取以及异常图像提取，从而获得历史冠状动脉结构化异常数据以及历史冠状动脉异常图像；

步骤S22：通过形态学分析法对历史冠状动脉结构化异常数据进行特征提取，从而获得冠状动脉异常特征；

步骤S23：通过曲线拟合法对冠状动脉异常特征构建冠状动脉模拟数学模型；

步骤S24：通过数据插值法对冠状动脉异常特征进行数据插值，从而获得冠状动脉空间数据；

步骤S25：通过纹理生成技术对冠状动脉异常特征进行纹理生成，从而获得冠状动脉纹理数据；

步骤S26：通过物理模拟技术对冠状动脉异常特征进行生理模拟，从而获得冠状动脉生理特征数据；

步骤S27：利用冠状动脉空间数据、冠状动脉纹理数据以及冠状动脉生理特征数据对冠状动脉模拟数学模型进行修正处理，从而获得优化冠状动脉模拟数学模型；

步骤S28：通过冠状动脉模拟数学模型对历史冠状动脉结构化异常数据以及历史冠状动脉异常图像进行图像合成，从而获得冠状动脉造影图像；

步骤S3：通过数据增强方法对冠状动脉造影图像进行数据增强处理，从而获得增强冠状动脉造影图；

步骤S4：对增强冠状动脉造影图像进行边界标注，从而获得冠状动脉边界数据集；

步骤S5：对冠状动脉边界数据集进行缩放处理并构建冠状动脉造影图像分割模型；

步骤S6：获取待分割冠状动脉造影图像，利用冠状动脉造影图像分割模型对待分割冠状动脉造影图像进行图像分割，从而获得冠状动脉造影图分割图像；

步骤S7：对冠状动脉造影图分割图像进行参数化描述，从而获得优化冠状动脉造影图分割图像。

2.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法，其特征在于，步骤S3具体为：通过高通滤波方法对冠状动脉造影图像进行细节增强，从而获得滤波冠状动脉造影图像；

对滤波冠状动脉造影图像进行添加噪声，从而获得噪声滤波冠状动脉造影图像；

通过自适应对比度增强技术对噪声滤波冠状动脉造影图像进行视觉效果增加，从而获得增强冠状动脉造影图。

3.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法，其特征在于，步骤S4具体为：通过LabelMe工具对增强冠状动脉造影图像进行多边形边界标注，从而获得标注数据集；

对标注数据集进行标签分配，从而获得冠状动脉标注数据集；

对冠状动脉标注数据集进行格式转换，从而获得冠状动脉边界数据集。

4.根据权利要求1所述的基于深度学习的冠状动脉造影图分割的优化方法，其特征在于，步骤S7具体为：通过形态学特征提取方法对冠状动脉造影图分割图像进行特征提取，从而获得冠状动脉相关特征；

将冠状动脉相关特征进行数字转化，从而获得冠状动脉数字化特征；

利用冠状动脉数字化特征对冠状动脉造影图分割图像进行参数化描述，从而获得优化冠状动脉造影图分割图像。