冠心病作为一种常见的心血管疾病,严重威胁着人们的健康。临床上通常使用冠状动脉计算机断层扫描血管造影(Computed Tomography Angiography,CTA)技术来诊断冠状动脉相关疾病,但该技术会产生较多的图像数据。目前,这些图像数据大多只能通过手动或半自动分割方法来处理,操作过于复杂且耗时,存在一定的局限性。因此,在临床诊断中采用自动分割技术显得尤为重要。近年来,卷积神经网络(Convolution Neural Network,CNN)开始应用于医学图像分割中。与传统算法的不同之处在于,CNN可以从大量训练数据中自动提取结构和模式的特征,并将这些特征用于预测来提升诊断效率。针对冠状动脉CTA数据,本文研究了利用卷积神经网络进行冠脉血管分割的方法,主要包括网络结构的选择、网络模型的优化以及网络分割结果的后处理,具体内容如下:(1)在网络结构的选择上,本文采用V-Net网络处理三维冠状动脉CTA影像。鉴于传统分割算法在处理冠状动脉血管分割上不能满足实验需求,因此本文主要对比3D FCN、3D U-Net以及V-Net这三种常用的三维图像分割网络,在评估过程中把性能度量指标(Jaccard Index,JI)和(Dice Similarity Coefficient,DSC)系数作为实验的评价标准,V-Net网络分割结果中两项系数分别达到0.7962和0.8843,均优于其余两种网络结果,因此选择V-Net网络作为本文针对冠状动脉的分割网络。(2)在网络模型的优化上,本文将注意力门控(Attention Gate,AG)模型与条件随机场-循环神经网络(Conditional Random Field-Recurrent Neural Network,CRFRNN)模型同时融入到V-Net网络中来优化网络模型。一方面在网络中嵌入AG模型来抑制不相关区域中的特征激活,突出整个网络对于血管部位的特征学习;另一方面在网络中嵌入CRF-RNN模型使整体网络同时具有V-Net与CRF的特性,能在V-Net中集成CRF以提升网络的性能。实验结果证明,同时融合两种模型的优化网络在冠状动脉分割上呈现出不错的分割效果,JI和DSC系数分别达到0.8308和0.9062,均优于原始V-Net网络和融入单一模型后的网络。(3)在网络分割结果的后处理上,本文采用水平集函数对网络分割出的血管边缘进行迭代优化。通过深度学习的方法对CTA影像冠状动脉进行分割,分割出的血管边缘仍显粗糙。因此本文采用传统水平集分割算法作为后处理来改善这一缺陷,把网络分割的结果视为水平集函数的初始值进行优化。实验结果证明,加入水平集函数后JI和DSC系数分别达到0.8376和0.9103,在优化网络模型的分割结果上又有提升。