近年来,冠状动脉相关疾病已经成为疾病致死的主要原因之一。随着我国大力加强基层医疗建设战略的推进,需要开展冠状动脉介入手术的基层医院的数量增长迅速。但是,基层手术医生的经验与三甲医院医生相比有一定的差距,无法做到短时高效的单独诊断。随着人工智能的迅速发展,让我们在AI助力冠状动脉疾病诊疗方面看到了希望。本文致力于研究出一套可实时的冠状动脉辅助诊疗系统,其主要完成造影图像中的血管抽取工作,消除造影过程中产生的背景噪声,为各种病变的诊断提供一个良好的基础影像。论文主要成果如下:首先,构建了一个用于训练和测试的冠状动脉造影图数据集,其中数据粗标注由相关专业医生进行,在这些图中会标注清楚各支血管的走势、轮廓等等,目前粗标注数据有10000张左右。另外,在粗标注图像的基础上进行精标注,标注好的图像可以直接作为训练的监督用于模型的训练,目前精标注图像有9500张左右;其次,本文实验了多种卷积神经网络结构,并基于PspNet设计了一种适用于冠状动脉造影血管分割的神经网络结构,在保证速度的前提下,该模型可以融合冠状动脉的边缘轮廓特征和深层的语义特征,从而准确提取出冠脉造影图像中的血管信息;最后,在前文构建的血管分割算法基础上,进行了深度优化来提升整个系统的分割效率和分割精度。在网络训练过程中,引入了 OHEM来解决分割网络中样本不均衡、训练效率低等问题。在网络结构上,应用了注意力机制,对不同区域的上下文信息进行加权,强化血管边界等细节特征,提升网络最后的分割效果。