1.一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：包括以下步骤：

步骤1，获取实验所需要的冠脉造影图像数据，所述冠脉造影图像数据为冠脉造影图像并含有相应的标签，并将冠脉造影图像数据分为训练集、验证集和测试集；

步骤2，利用深度学习的方法使用训练集和验证集训练一个多任务分类与回归预测模型，所述多任务分类与回归预测模型是具有两条支路的模型，包括负责判断血管狭窄程度的分类支路和负责输出预测的介入手术支架尺寸的回归支路；

在训练过程中，分类支路由交叉熵损失Lce进行监督训练，回归支路由均方误差损失Lmse进行监督训练；

步骤3，训练完成后，查看验证集上的多任务分类与回归预测模型的性能，若训练的多任务分类与回归预测模型不能很好地收敛，则调整多任务分类与回归预测模型的超参数，然后重新训练，直到多任务分类与回归预测模型能很好地收敛；

步骤4，得到训练好的多任务分类与回归预测模型，再用测试集对多任务分类与回归预测模型进行测试，最终确定需要的多任务分类与回归预测模型；

步骤5，运用步骤4最终确定的多任务分类与回归预测模型预测冠状动脉原位病变介入手术支架尺寸，帮助医生更准确选取介入手术支架。

2.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述分类支路采用的是Inception V3网络结构；所述Inception V3网络结构首先由五个卷积层进行初步特征提取，后面跟着五个模块对特征进行深度提取，然后将提取的深度特征映射传递给后面的全局池化层和Dropout得到进一步的特征，并将该特征共享给回归支路，最后在该分类支路上利用全连接层和Softmax预测血管狭窄程度。

3.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述回归支路基于Densenet121网络；所述Densenet121网络包含四个Dense Block模块并且每两个模块中间包含一个过渡层Transition Layer，在Dense Block中，各个层的特征图大小一致，可以在通道维度上连接；并且在Dense Block中的非线性组合函数均采用的是BN+ReLU+1x1 Conv+BN+ReLU+3x3 Conv的结构，该结构可以有效地减少计算量，提高计算效率；所述过渡层Transition Layer采用的均为BN+ReLU+1x1Conv+

2x2 AvgPooling的结构，它主要连接两个相邻的Dense Block块，并且降低特征图的大小；

在最后一个Dense Block后面连接一个全局平均池化层，然后将该层提取的特征与分类支路共享的特征进行加权得到新的特征，后面连接三层全连接层，每层全连接层含有BN和ReLU进行非线性化，从而更好地拟合最后的数据，最后输出预测的狭窄血管相应的介入手术支架的尺寸。

4.根据权利要求3所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：回归支路输出预测的介入手术支架的尺寸，介入手术支架的尺寸与回归支路输出预测的狭窄血管附近正常血管的直径保持一致。

5.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述回归支路所用的损失函数均方误差损失Lmse如下所示：式中的yi和 分别为真实值和预测的结果，M为训练的样本数量。

6.根据权利要求1所述的一种预测冠状动脉原位病变介入手术支架尺寸的深度学习方法，其特征在于：步骤2中，所述分类支路所用的交叉熵损失函数Lce如下所示：式中的yi和 分别为真实值和预测的结果，M为训练的样本数量。