冠心病作为高发病率的重大冠状动脉疾病,其诊断让影像科医生承担了繁重的工作强度。利用人工智能识别冠状动脉中的斑块并进行分割,实现对冠心病血管狭窄程度的判断,给出一个衡量患者病灶区域钙化的指标,可以减轻影像科医生的工作强度,尽量避免由于疲劳工作而出现的其他状况。首先介绍了冠状动脉的基础知识理论和针对图像的处理方法。根据患者冠状动脉图像的特性确定了钙化积分测量的整体流程,包括分类、分割、以及钙化积分测量三部分。通过搭建深度学习分类网络对患者图像进行病灶的甄别工作,对比几种不同网络对分类结果的效果等信息最终选定ResNet网络作为数据分类的网络。无论是在准确性方面还是泛化能力上都有良好的表现,测试准确率超过95%,可以很好地对数据进行甄别以提供给后续流程作为输入数据。在分类基础上应用增加了空间注意力机制的U-Net网络进一步对冠状动脉进行识别分割,该操作可以大大减少大夫的诊断时间。应用增加了注意力机制的U-Net网络进行训练,最终使损失函数、准确率Accuracy以及Dice指标都达到了较好的效果,并显示出预测的结果与真实值之间相似度极高。在此基础上对斑块进行分割,为后续斑块的定性分析、钙化积分计算等操作提供了良好的分割数据。最后一部分是钙化积分的测量,选用3D卷积来实现最终的钙化积分预测并在此基础上进行患病程度的分析。实验结果表明该方法能够较好地解决患者图像过多,信息不好整合的问题,并较为准确的给出患病人员病灶处的钙化积分情况,均方误差为1.08。钙化积分情况有望预测患者未来几年内患上心脏疾病的概率,具有重要应用价值。图50幅;表10个;参51篇。