冠心病已经成为危害我国居民健康的主要疾病之一,预防和诊断成为了人们迫切需要研究的课题。随着我国的冠心病介入诊疗技术发展迅猛,相关成像技术也逐渐成熟,临床医生对医学图像中感兴趣的区域或者病变做检测是诊断冠心病的关键步骤,然而在实际解读医学图像过程中,诊断的准确性和高效性都有待提高。计算机辅助诊断技术是一项帮助医生分析解读医学图像的技术,随着人工智能的发展,将人工智能技术融入计算机辅助诊断技术,已经成为趋势。本文基于上述背景,开展基于深度学习的冠状动脉病变检测算法的研究,并逐步对系统进行优化,主要工作如下:数据集的建立:论文首先明确了诊断冠心病的临床依据为冠状动脉造影图像。但由于缺乏高质量标注的冠状动脉造影图像病变数据集,所以首先进行了数据集的建立工作。根据检测任务的定义制定了数据集的建立流程,协调专业医生进行数据集的标注,然后进行数据可靠性审核、数据脱敏等相关工作,最终建立了符合课题研究所需冠状动脉病变数据集。多尺度模型设计与优化:对常见基于深度学习的目标检测网络研究总结后,首先提出基于Resnet101-Faster RCNN的冠状动脉病变检测方案,然后在此基础上增加了金字塔特征图模块,使用金字塔特征的多尺度的特性提高了对冠状动脉造影图像中多尺度病变检测的能力。为了解决目标检测普遍存在的前景背景极度不均衡的问题,我们使用Focal Loss损失函数对区域提案网络中的前景背景分类器进行优化,让网络对难样本关注度更高,从而得到更高质量的检测框提案,提高了检测网络的平均精度。最后使用ROIAlign作为把候选框映射到特征图并输出统一尺寸特征的处理层,使用此方法进一步优化网络性能,提高网络对小尺度病变的检测能力。本文针对系统设计中的优化进行了实验,并且针对实验结果进行了分析,实验结果证明本论文所述方法在冠状动脉病变检测上的有效性。