冠状动脉CT图像的斑块分割对冠状动脉疾病的临床诊断可以起到很好的辅助作用。研究基于3D-Unet神经网络的三维冠状动脉CT图像的斑块分割技术,具有十分重要的意义和很好的应用前景。鉴于CT图像中冠状动脉形态各异,需首先提取冠状动脉中心线并进行多平面重建矫直预处理。由于矫直后的冠状动脉中心线不平滑,提出了中值滤波和三次样条插值对其平滑的方法。对于钙化和非钙化两种斑块设计两套分割方法:针对较易分割的钙化斑块,使用3D-Unet网络直接分割;针对较难分割的非钙化斑块,先用3D-Unet网络进行粗分割定位。然后改进3D-Unet网络,从而设计出更适合非钙化斑块分割的精分割网络,并依据定位结果对含非钙化斑块的冠状动脉CT图像进行九次三维裁剪。最后对非钙化斑块进行精细分割。在3D-Unet网络结构中引入注意力机制,提高网络对非钙化斑块的识别能力。在新的损失函数中考虑非钙化斑块的多种形态,从而提高模型对各种非钙化斑块的分割准确度。最后进行数据后处理,将分割结果映射回原CT图像。实验数据表明,3D-Unet网络在钙化斑块上的分割效果较好,平均Dice系数达到了0.8706。而改进的3D-Unet网络在非钙化斑块分割上的平均Dice系数也达到了0.6642,相比改进前有明显提升,验证了改进网络在非钙化斑块分割上的有效性。