1.一种血管分割模型训练方法，其特征在于，所述方法包括：获取DSA训练数据对；所述DSA训练数据对包括一一对应的DSA训练图像以及DSA标注图像，所述DSA标注图像是对所述DSA训练图像进行血管分割标注得到的；基于所述DSA标注图像获得与所述DSA标注图像对应的目标距离图；将所述DSA训练图像、DSA标注图像以及所述目标距离图输入至神经网络模型中进行训练，得到血管分割模型；所述基于所述DSA标注图像获得与所述DSA标注图像对应的目标距离图，包括：针对DSA标注图像上的每一前景像素点，计算该前景像素点到所述DSA标注图像上背景区域的最短距离；将该前景像素点到所述DSA标注图像上背景区域的最短距离作为该前景像素点的像素值，得到与所述DSA标注图像对应的候选距离图；将所述候选距离图的背景像素点的像素值设定为指定像素值后，对所述候选距离图上的每一像素点的像素值进行取倒数处理，并将所述候选距离图上的背景像素点的像素值修正为第一设定像素值，得到第一缩放距离图；对所述第一缩放距离图上的每一前景像素点进行指定缩放处理，得到第二缩放距离图；将所述第二缩放距离图上像素值小于第二设定像素值的前景像素点的像素值设定为第三设定像值，得到所述目标距离图。
2.根据权利要求1所述的方法，其特征在于，在所述将所述DSA训练图像、DSA标注图像以及所述目标距离图输入至神经网络模型中进行训练之前，所述方法还包括：分别对所述DSA训练图像、DSA标注图像以及所述目标距离图进行预处理，得到预处理后的DSA训练图像、预处理后的DSA标注图像以及预处理后的目标距离图；所述将所述DSA训练图像、DSA标注图像以及所述目标距离图输入至神经网络模型中进行训练，包括：将预处理后的DSA训练图像、预处理后的DSA标注图像以及预处理后的目标距离图输入至所述神经网络模型中进行训练。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括：重采样、归一化、图像裁剪、图像增强中的至少一种。
4.根据权利要求2所述的方法，其特征在于，对所述DSA标注图像和所述目标距离图进行相同的预处理。
5.根据权利要求1所述的方法，其特征在于，所述将所述DSA训练图像、DSA标注图像以及所述目标距离图输入至神经网络模型中进行训练，得到血管分割模型，包括：由所述神经网络模型对所述DSA训练图像进行血管分割，得到血管分割预测结果；基于所述血管分割预测结果与所述DSA标注图像计算第一损失值，以及基于所述血管分割预测结果、所述DSA标注图像以及所述目标距离图计算第二损失值；基于所述第一损失值和所述第二损失值计算所述神经网络模型的目标损失值，并基于所述目标损失值调整所述神经网络模型的模型参数，直至满足设定迭代条件，得到所述血管分割模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述血管分割预测结果、所述DSA标注图像以及所述目标距离图计算第二损失值，包括：其中， 示第二损失值；n表示DSA训练图像的数量； 表示第i张DSA训练图像上第一类像素点的血管分割预测结果与DSA标注图像上对应像素点的标注结果以及所述目标距离图上对应像素点的像素值的乘积的总和；其中，第一类像素点为DSA训练图像上像素点的血管分割预测结果与所述DSA标注图像上对应像素点的标注结果均为正类的像素点； 表示第i张DSA训练图像上第二类像素点的血管分割预测结果与DSA标注图像上对应像素点的标注结果以及所述目标距离图上对应像素点的像素值的乘积的总和；其中，第二类像素点为DSA训练图像上像素点的血管分割预测结果为负类、所述DSA标注图像上对应像素点的标注结果为正类的像素点； 表示第i张DSA训练图像上第三类像素点的血管分割预测结果与DSA标注图像上对应像素点的标注结果以及所述目标距离图上对应像素点的像素值的乘积的总和；其中，第三类像素点为DSA训练图像上像素点的血管分割预测结果为正类、所述DSA标注图像上对应像素点的标注结果为负类的像素点。
7.一种血管分割方法，其特征在于，所述方法包括：获取待分割DSA图像；将所述待分割DSA图像输入至血管分割模型中进行血管分割，得到血管分割结果；其中，所述血管分割模型是基于权利要求1-6任一项所述的血管分割模型训练方法训练得到。
8.一种电子设备，其特征在于，包括：处理器，其配置用于执行程序指令；以及存储器，其配置用于存储所述程序指令，当所述程序指令由所述处理器加载并执行时，使得所述处理器执行如权利要求1-6任一项所述的血管分割模型训练方法的步骤或执行如权利要求7所述的血管分割方法的步骤。
