1.一种冠状动脉分割方法，其特征在于，包括以下步骤：S1：获取待分割冠状动脉原图像，并对原图像进行放缩处理；

S2：使用3D U‑net对放缩处理后的图像进行粗分割，获取低分辨率下的预测标签并映射回原图像空间，得到粗分割结果；

S3：使用3D U‑net对放缩处理后的图像进行先验区域提取，获取冠状动脉标签并映射回原图像空间；

S4：对冠状动脉标签进行形态学处理，抽取出骨架点并以骨架点为中心获取体素块；

S5：使用3D U‑net++对体素块进行分割，得到体素块分割结果；

S6：将粗分割结果与体素块分割结果进行投票集成，获取最后的分割结果；

其中，在所述步骤S4中，所述形态学处理过程具体为：根据冠状动脉标签得到原图像空间冠状动脉的位置，根据其血管表面的形状采用半径为R的球形结构进行膨胀；为了获得冠状动脉周围的局部信息并减少冗余，根据医学先验知识，在冠状动脉存在左和右冠状动脉的基础上，通过连通域分析提取其中最大的两个连通域并对其抽取出骨架点并以骨架点为中心获取体素块。

2.根据权利要求1所述的一种冠状动脉分割方法，其特征在于，在所述步骤S2中，所述粗分割使用一般的相似度系数作为损失函数 ，具体表示为：其中， 分别属于预测概率以及真实的图像标签，其中网络的输入为低分辨率下图像，输出为低分辨率下预测标签。

3.根据权利要求1所述的一种冠状动脉分割方法，其特征在于，在所述步骤S3中，通过

3D U‑net进行先验区域提取的网络采用带权重的相似度系数作为损失函数 ，具体表示为：

其中， 分别属于预测概率以及真实的图像标签，权重系数 ，从损失函数得知该权重系数调整了目标与背景的生成，权重系数小于0.5会偏重于冠状动脉的生成；该网络的输入为低分辨率下图像，输出为冠状动脉标签。

4.根据权利要求1所述的一种冠状动脉分割方法，其特征在于，在所述步骤S6中，假设粗分割结果与体素块分割结果组成相同大小的具有 张图像，第 张图像表示为 ，；其中 ， 中有 个像素点 ， 表示第 个像素点，其中，；

设定阈值 ，有 ；如果 时，则这个像素点上的位置为正标签1；若，则这个像素点上的位置为背景标签0；

通过该计算准则计算 张图像中第 个像素点的正标签的个数并结合阈值 ，得到最后的集成图像，即得到最后的分割结果。

5.一种冠状动脉分割系统，其特征在于，包括放缩模块、粗分割模块、先验提取模块、映射模块、形态学处理模块、体素块分割模块和投票集成模块；其中：所述放缩模块用于对待分割冠状动脉原图进行放缩处理；

所述粗分割模块使用3D U‑net对放缩处理后的图像进行粗分割，获取低分辨率下的预测标签并由映射模块映射回原图像空间，得到粗分割结果；

所述先验提取模块使用3D U‑net对放缩处理后的图像进行先验区域提取，获取冠状动脉标签并由映射模块映射回原图像空间；

所述形态学处理模块用于对冠状动脉标签进行形态学处理，抽取出骨架点并以骨架点为中心获取体素块；

所述体素块分割模块用于使用3D U‑net++对体素块进行分割，得到体素块分割结果；

所述投票集成模块用于对粗分割结果与体素块分割结果进行投票集成，获取最后的分割结果。

6.根据权利要求5所述的一种冠状动脉分割系统，其特征在于，在所述粗分割模块中，所述3D U‑net结构呈U型，先是两个3D Conv+BN+ReLu加上3D Maxpooling的组合以及两个

3D Conv+BN+ReLu加上Upsampling层，和由浅层到深层特征的拼接层；其使用一般的相似度系数作为损失函数 ，具体表示为：其中， 分别属于预测概率以及真实的图像标签，其中网络的输入为低分辨率下图像，输出为低分辨率下预测标签。

7.根据权利要求5所述的一种冠状动脉分割系统，其特征在于，在所述先验提取模块，通过采用带权重的相似度系数作为损失函数 的3D U‑net进行先验区域提取，其损失函数具体表示为：

其中， 分别属于预测概率以及真实的图像标签，权重系数 ，从损失函数得知该权重系数调整了目标与背景的生成，权重系数小于0.5会偏重于冠状动脉的生成；该网络的输入为低分辨率下图像，输出为冠状动脉标签。

8.根据权利要求5所述的一种冠状动脉分割系统，其特征在于，在所述形态学处理模块中，先根据冠状动脉标签得到原图像空间冠状动脉的位置，再根据其血管表面的形状采用半径为R的球形结构进行膨胀；在冠状动脉存在左和右冠状动脉的基础上，通过连通域分析提取其中最大的两个连通域并对其抽取出骨架点并以骨架点为中心获取体素块。

9.一种冠状动脉分割存储介质，其特征在于，所述存储介质中存储有计算机程序；所述计算机程序由处理器加载并执行如权利要求5 8任一项所述的一种冠状动脉分割系统，以~

实现如权利要求1 4任一项所述的一种冠状动脉分割方法。

~