随着社会的发展,人们的生活质量不断提高,心血管疾病已经成为严重威胁人类生活质量的疾病。心血管疾病是一种可以预防的常见的死亡病因。目前,心血管疾病的医学影像诊断技术有多种,为了更加清晰的辨别血管内病灶的组成成分,专家可以使用血管内光学相干断层扫描(OCT,Optical Coherence Tomography)图像来检测和表征病变。但是,冠脉OCT图像中的病灶诊断仍需要专家手动标注,这样不仅存在因专家个体差异而导致的分割误差,而且费时费力。因此,实现冠脉OCT图像斑块的人工智能自动分割对心血管疾病的临床诊断具有重大意义。本文使用人工智能算法及深度学习方法,实现了冠脉OCT图像中三种特征斑块的自动分割,本文主要研究内容如下:(1)本文提出了基于改进中智学算法的冠脉OCT图像斑块分割方法,根据中智学算法转换至不同领域可提取图像中不同区域像素的特点,本文使用S型隶属度函数改变中智学算法转换公式,提高像素分类的准确度,进而提高图像分割精度,本文方法能够利用中智学算法的转换过程将纤维斑块、脂质区全自动分割出来,并结合转换后的两种领域图像利用区域生长算法将钙化斑块准确分割出来。(2)本文提出了使用U-Net模型与隶属-中智算法混合模型的冠脉OCT图像多区域全自动分割算法,基于冠脉OCT图像的小数据集,简化U-Net网络模型,以医生手动标记的模板作为标签,对三种特征斑块分别训练,最终将粗分割结果输入隶属-中智算法模型进行精分割。其中隶属-中智模型为自定义的图像转换方式,改变了传统中智学算法中转换至中智领域的方法,使像素分类更加准确。本文方法能够将冠脉OCT图像中三种特征斑块自动准确的分割出来,从多方面验证分割效果及精确度,证明了该混合模型的有效性。