1.一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于包括如下步骤：

步骤1、获取实验所需数据；由医生对图像中狭窄病变区域位置与尺寸进行标注，将标注完的数据随机划分为训练集、验证集与测试集；

步骤2、建立定位回归模型，定位回归模型由定位网络、特征提取网络、回归网络三部分组成，利用深度学习的方法使用训练集与验证集对模型中的定位网络进行训练，采用的SIOU损失函数如下：其中Δ为距离损失Ω为形状损失，IOU表示标签中的目标框与模型预测目标框面积的交并比；

步骤3、当模型训练集与验证集中表现接近并且满足需求时，定位网络训练结束；训练结束后在测试集上验证定位网络的性能，如满足需求可进行下一步的训练，如不满足则调整网络超参数对定位网络进行重新训练；

步骤4、冻结训练完的定位网络参数，搭建特征提取网络与回归网络并与定位网络拼接对整体模型进行联合训练，训练好的模型可以直接预测冠脉造影图像的狭窄直径、正常直径、狭窄长度三个指标来推荐合适的介入支架尺寸，其中回归网络采用加权均方误差损失Lmse进行监督训练，其中yi∈{y1,y2...yM}表示标签值， 表示模型的预测值；

步骤5、利用测试集中样本进行模型测试，将模型预测结果与医生所作标签进行比较，验证整体定位回归模型的效果，确定最终模型并用于临床测试，帮助医生选取介入手术支架型号。

2.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：从医院采集完整DICOM数据，平均受试年龄为：47‑71岁，图像数据的尺寸为512×512，像素间距为0.258mm/pixel，采集数据的视图包括足视图CAU、头颅视图CRA、左前斜视图LAO、左前斜足视图LAO CAU、左前斜颅视图LAO CRA、右前斜视图RAO、右前斜足视图RAO CAU和右前斜颅视图RAO CRA；其中LAO CRA和RAO CRA主要观察左前降支中段和远端；LAO CAU和RAO CAU主要观察左前降支和左回旋支近端，LAO主要观察右冠状动脉近端，LAO CRA主要观察右冠状动脉远端段。

3.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：针对临床应用场景中对不同体位数据的需求对数据集进行分组，由医生对图像中狭窄病变区域位置与尺寸进行标注，尺寸信息包括狭窄处的血管直径、狭窄处正常血管的直径、狭窄处的长度。

4.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：步骤2中定位网络具体结构分为convlution backbone、region proposal和ROI pooling三部分，分别负责提取图像特征、生成建议目标框与目标框的调整，在搭建的定位网络上使用训练集与验证集进行训练，其中训练集用于调整网络的参数，验证集用于每次网络参数调整后的性能检测。

5.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：步骤4中特征提取网络采用了swin transformer模块，模块内部在子注意力机制上加局部窗口local windows，获得了深度图像预测能力以及高分辨率图像预测能力。

6.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：步骤4中回归网络由全局平均池层和三个全连接层组成，每个全连接层包括BN层和relu非线性激活函数，由于通过前导网络处理图像特征降低了回归网络的任务复杂度，使用均方误差作为回归网络中网络的损失函数，添加了权重项λi∈{λ1，λ2，λ3}到损失函数，损失函数公式如下：λi∈{λi,λi,λi}

其中N表示预测任务的个数，f(xi)表示模型第i个任务的预测值，Yi表示第i个任务的标签值。

7.根据权利要求1所述的一种冠心病介入手术中支架型号的回归定位网络预测方法，其特征在于：在训练阶段，冻结步骤3中训练完的定位网络参数，对整体模型进行联合训练，并使用随机剪裁、旋转和马赛克增强等训练策略来扩展数据集，提高模型的准确性与鲁棒性。