随着城市经济的增长和人口老龄化的加快,心血管疾病已经成为人类的第一大死因。冠状动脉血管几何形状的分析在心血管疾病的诊断中有着重要的意义。为了对临床应用做出可靠的判断,需要通过准确、稳健的分割方法对冠状动脉血管树进行提取。本文提出一套基于全卷积神经网络的冠脉造影序列图像分割方法。首先对图像进行预处理,提高样本的质量;然后设计全卷积分割网络VGG-seg,该网络基于VGG-16基础网络,去掉最后的全连接层,并在每个池化层之后进行反卷积,分别输出各层反卷积的结果并进行线性加和,从而对每个像素进行分类。定义损失函数为自适应类平衡交叉熵,以Image Net上的预训练参数初始化网络,利用109例临床冠脉造影序列数据作为训练集对网络进行训练,然后利用40例冠状动脉造影序列作为测试集对模型进行测试;最后通过基于条件随机场的方法对血管边缘进行精细化处理,将冠脉造影图像的所有像素点构建成一个全连接条件随机场,通过最小化一元势能和二元势能,同时考虑像素的位置、灰度等特征,使模型的总能量最小,从而实现对血管断裂、空洞情况的精细化处理,实现冠脉序列图像的精确分割。为了验证分割方法的有效性,本文在测试集数据上通过两种指标对分割方法进行评价,一是分割结果评价指标,包括Dice系数,准确率(Accuracy)、特异性(Specificity)及敏感性(Sensitivity);二是临床诊断结果评价指标,即将分割的结果细化,进行血管直径检测。用本文所得的结果与医生的标注结果进行对比,在网络性能方面,本文得到的Dice系数为0.89,准确率为98.36%,灵敏度为93.36%,特异性为98.76%,与前人提出的先进方法对比体现出一定的优势。在临床评价指标方面,通过对本文提出的分割方法所得到的结果进行骨架线提取和直径计算,与标注图像的直径对比后得到的绝对误差为0.382,相对误差为0.112,这说明本文的分割方法可以较为精确的恢复血管轮廓。本文提出的基于全卷积神经网络的冠脉造影序列图像分割方法,实现了对冠脉造影序列图像中血管的准确提取,为解决临床上冠脉血管树的提取问题提供了一定的依据。