1.一种冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的方法包括步骤如下：S1：采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；

S2：利用聚类算法，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签y；

S3：利用聚类生成的伪标签y，通过优化相关损失函数值，更新卷积神经网络权重；再利用优化后的伪标签y对冠状动脉CT影像进行分类训练；

S4：通过冠状动脉CT影像分类结果，利用3D U‑net分组对冠状动脉进行分割。

2.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的卷积神经网络包括AlexNet、VGG‑16几种中的一种。

3.根据权利要求1所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：所述的聚类算法采用K‑means聚类算法。

4.根据权利要求3所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：采用所述的K‑means聚类算法，将从卷积神经网络中抽取的所有特征聚成K类。然后，通过调整以下损失函数，对每个样本x赋予伪标签y：式中，fθ(xn)是由卷积神经网络产生的特征；yn是通过聚类产生的样本xn的伪标签；N为样本总数，C为聚类的质心矩阵。

5.根据权利要求4所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：利用聚类算法得到的伪标签，通过优化以下损失函数，对卷积神经网络的权重进行更新：式中，l是多项逻辑损失，亦称为log‑softmax函数；gw为特征分类器。

6.根据权利要求2～5任一项所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：由于将特征和伪标签同时进行学习，会产生平凡解，为了避免平凡解，当一个簇变为空时，随机选择一个非空簇，并使用带有小随机扰动的质心作为空簇的新质心，然后，将属于非空簇的点重新分配给两个结果簇。

7.根据权利要求6所述的冠状动脉CT影像深度聚类和分割方法，其特征在于：为了避免平凡参数，对输入数据进行重新采样使得分布均匀，或使用伪标签。

8.一种基于权利要求1、2、3、4、5、7任一项所述的冠状动脉CT影像深度聚类和分割方法的系统，其特征在于：包括

采用卷积神经网络，输入冠状动脉CT影像，构造特征提取器，从而生成输入图像的若干特征；

聚类算法模块，将生成的若干特征聚成K类，并调整相关损失函数值，对每个样本x赋予伪标签；

分类器，通过伪标签y对冠状动脉CT影像进行分类训练，再利用相关损失函数，对卷积神经网络的权重进行更新；

3D U‑net分组模块，根据分类器输出的分类结果，分组对冠状动脉进行分割。

9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述的处理器执行所述的计算机程序时，实现如权利要求1、2、3、

4、5、7任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时，实现如权利要求1、2、3、4、5、7任一项所述的方法的步骤。