心血管疾病是人类死亡的主要原因,而冠状动脉疾病是最常见的心血管疾病,冠状动脉粥样硬化斑块的检测对冠状动脉疾病的早期干预具有重要意义。冠状动脉CT血管造影成像(Computed Tomography Angiography,CTA)作为一种无创、低风险、低成本的成像模态,被认为是冠状动脉造影的微创代替,用于冠状动脉疾病的早期筛选和预防。然而,钙化伪影、心脏跳动引起的运动伪影等会降低CTA图像质量,导致视觉评估会带来较大的观察者间误差,而自动化或半自动化方法中,阈值分割法难以准确分割出斑块区域,依赖血管分割的方法难以生成完整的冠状动脉树,体素分类法获取标签费时费力。针对这些现存问题,本文在预先获取冠脉中心线的基础上,使用了两种不同的基于机器学习的方法完成冠脉斑块自动检测,研究工作主要如下:(1)基于支持向量机的多类别斑块检测方法。针对现有方法难以区分不同类别斑块的问题,本研究使用机器学习方法识别冠脉斑块。首先沿着冠脉中心线提取垂直于中心线的横截面;然后使用水平集方法对血管进行粗分割,获取血管感兴趣区域;随后设计随机径向对称特征提取方案表征斑块图像,并使用随机扩增策略对训练样本进行数据增强;最后训练支持向量机分类器并对血管图像进行识别。该方法在不同的分类器及不同的特征提取方案上进行了对比实验,检测斑块图像的平均查准率和查全率分别为92.6%和94.3%,实验结果证明该方法在斑块图像识别上具有较高的精度。相比传统方法,本方法不依赖于管腔的精细分割,不需要标注完整病变,有较高的临床应用潜力。(2)基于阶梯卷积神经网络的冠脉斑块检测方法。针对小数据量标注样本难以训练鲁棒的深度模型的问题,本文研究了基于半监督学习的深度模型,用大量未标记数据辅助完成冠脉斑块检测任务。本研究首先沿着血管中心线提取三维图像块作为训练样本;然后将有标签样本和无标签样本同时送入卷积网络中进行训练,其中无监督学习部分学习重构表示,有监督学习部分对学习的重构信息进行筛选,并增加跳跃连接让高层学习更抽象的表征;最后使用结合有监督和无监督的损失函数来训练网络。该网络在测试集上的查准率和查全率分别为71.88%和88.46%,相比全监督方法提高了19.5%和3.84%。该网络利用无标记数据,提高了斑块检测的精度,在标记样本数据量小的任务上具有更好的性能。