心血管疾病严重影响人类的身体健康和生活质量,而冠脉钙化情况与心血管疾病密切相关,是心血管疾病进展的核心病理标志和预测因子。计算机断层扫描(Computer Tomography,CT)成像技术为冠脉钙化程度的评估提供了理论和数据支撑。冠脉Common Variable Immune Deficiency钙化斑块在CT图像上的表现分布散乱,没有固定的形态规则,钙化面积占比小,这些特点为冠脉钙化斑块的精确分割带来了巨大的挑战。为解决以上难点,本文将深度学习方法与心血管影像分割任务相结合,提出了冠脉钙化斑块分割的神经网络,具体研究内容如下:(1)提出了基于SAM(Segment Anything Model)的自主提示冠脉钙化分割网络,以SAM作为主干网络进行CT图像的特征提取以及冠脉钙化斑块位置信息的编码。为了克服常规SAM需要交互式或手动提供提示信息而无法实现自动化批量冠脉钙化斑块分割的缺点,本文创新性地提出在提示编码器之前加入提示信息生成网络用以生成冠脉钙化的边界框,为提示编码器提供钙化斑块的位置信息,实现钙化区域的分割。使用Stanford COCA数据集分别对SAM和提示信息生成网络进行训练和测试。SAM在使用冠脉钙化图像进行微调后在测试集中的平均DSC(Dice Similarity Coefficient)达到90.20%,提示信息生成网络在测试集中的精确率和召回率分别为79.83%和74.80%,整体模型在测试集中的平均DSC为69.45%。(2)为了解决钙化selleck化学斑块检测网络精确度低的问题,本文提出了用心脏区域约束冠脉钙化斑块检测的新思路,在提示信息生成网络之前引入心脏区域分割网络,其目的是将CT图像中的心脏区域提取出来,排除图像外周骨骼等无关结构的干扰。在实现上,建立了先分割心脏,再从心脏区域提取冠脉钙化斑块边界框,最后用其作为SAM网络提示信息的新架构。由于Stanford COCA数据集中并没有对心脏区域的标注信息,所以自制了心脏分割数据集,用于心脏区域分割网络的训练,在测试集中的平均DSC达到87.53%。最后将心脏区寻找更多域分割网络,钙化斑块检测网络和SAM网络共同组成了冠脉钙化斑块分割的整体模型。钙化斑块检测网络的精确率和召回率分别达到87.31%和88.82%,整体模型的平均DSC指标达到84.47%。综上所述,本文提出的深度学习算法在医学图像分割领域具有很大的潜力,能够很好地解决冠脉钙化分割问题,为心血管疾病的诊断提供帮助。