临床应用中,医生希望在心脏平扫CT图像中找出冠状动脉主要分支（左主干、左前降支、左回旋支和右冠脉）各自的钙化病灶。研究多标签的冠状动脉钙化病灶分割方法,得到准确的分割结果可以作为心血管疾病诊断的重要依据。针对心脏区域中非冠脉钙化与冠脉钙化特点相近、冠脉钙化易漏检以及多标签分割时标签之间易混淆等问题,提出了先分割心脏区域钙化再分成多标签的两阶段方案。在第一阶段,将冠脉主要分支的钙化病灶和非冠脉钙化病灶作为一类目标,尽可能避免漏检冠脉钙化。该阶段使用带多尺度融合模块的三维残差“U”型网络（3D-MSI-RUnet）,在Dice Loss的基础上增加了用于单标签分割的Focal Loss作为损失函数,以解决单标签分割的类别不均衡问题。在第二阶段,将第一阶段的分割结果和CT图像作为输入,实现多标签的冠脉钙化分割。以3D-MSI-RUnet网络模型为基础进行改进,设计了带注意力机制的三维密集“U”型网络（3D-MA-DUnet）。用密集模块替换残差模块,能够减少各类冠脉钙化特征信息的丢失;在网络的跳跃连接处增加了注意力机制,使得网络在学习冠脉钙化信息的同时也能过滤如骨组织等的假阳性噪声;在Dice Loss的基础上增加了用于多标签分割的Focal Loss作为损失函数,以解决第二阶段多标签分割的多类别不均衡问题。在上海联影医疗科技股份有限公司提供的63套心脏平扫CT数据上进行实验。使用四个不同的模型进行对比实验,在相同模型的条件下,两阶段方法的Dice系数均比一阶段方法的Dice系数提升8%-20%。在两阶段方法的消融实验中,3D-MADUnet模型的Dice系数达到0.8344,比3D-MSI-RUnet模型提高了29%。