随着医疗技术的不断发展,医学影像逐渐变成为医生提供可靠依据的关键。而在新的时代里,人工智能技术也在不断进步,涌现出了大量的优秀算法,如何利用复杂的机器学习（Machine Learning,ML）或深度学习（Deep Learning,DL）模型来对医学影像中蕴含的病灶区域进行检测和分割,就成为了许多研究者关注的重点。近年来,由于深度学习的迅猛发展,使得包括医学图像在内的图像分割领域取得空前发展,而如何在研究图像分割算法的同时,使其能够应用于辅助诊断的实际中就成为了一个热门话题。由于目前关于血管内超声（Intravascular Ultrasound,IVUS）图像的公开数据集很少,如何构建血管内超声图像数据集,而且数据集还需要有专业的评估和标签,这就成为了在图像分割算法研究过程中的一大挑战。同时,由于血管内超声图像为灰度图像,而且没有像自然图像那种具有明显的边界特征和均匀的像素区域,这使得算法的特征提取面临着极大的困难。如何构建能有效进行特征提取的内外膜分割模型就变得尤为关键。而在医生临床诊疗过程中,在获得患者的血管内超声图像后,医生不仅要通过观察图像来判断患者的病情,还需要根据血管内超声图像计算出图像中隐含的一些关键临床参数指标,例如斑块负荷,重构指数,偏心指数等。这些指标可以评估冠状动脉粥样硬化斑块的严重程度和脆弱程度,使医生对患者的病情状态有一个更加清晰的认识,有利于医生对冠状动脉粥样硬化性心脏病的精确诊断和进行有针对性的手术治疗。而血管内超声图像中隐藏的大多数信息都需要由医生手动注释,并通过专业的参数计算工具获得,这对于医生来说既费时又费力,如何利用图像分割算法简化医生的工作成为了目前面临的另一挑战。针对上述挑战,本文研究了基于血管内超声的冠状动脉病灶智能检测技术,并在此基础上研发了用于冠状动脉病灶智能检测的计算机辅助诊断系统（Computer Aided Diagnosis System,CADS）,这对与医生的临床诊断过程具有重大的意义。本文工作主要有以下三个:（1）针对血管内超声图像的公开数据集稀少的问题,本文使用了从山东大学齐鲁医院采集的真实患者的IVUS图像数据,在临床上具有显著的代表性。数据集中包括十多位病人的5242张血管内超声图像及其对应的心内科医生或医学生提供的内外膜分割的金标准,保证了数据集的有效性和规范性。本文还构建了 IVUS图像参数计算数据集,其样本量较少,包含了由心内科专家手动注释的383张图像,其中211个非连续帧图像和172个连续帧图像的相关参数,作为系统参数计算的金标准。（2）针对医学图像的复杂性问题,本文对比了在自然图像分割中表现优秀的模型效果,发现U-net的表现较好,因此,本文利用主动轮廓模型、基于强度变化的边缘算子和K-means聚类算法进行先验知识的特征提取,以U-net为网络框架,使用注意力机制代替U-net网络中skip结构,构建了针对血管内超声图像的分割模型。在分割模型输出分割结果后,依据分割结果使用相关参数计算方法对10种临床参数指标进行计算,为辅助医生的临床诊断提供依据。在构建的IVUS图像分割数据集上进行验证,血管内超声图像分割模型的mIoU值达到了最高的0.8616,验证了模型的有效性。（3）由于最终的目的是为医生提供实际的辅助诊断,所以研发了用于冠状动脉病灶智能检测的计算机辅助诊断系统,系统主要包括了 DICOM文件解析、IVUS图像分割、分割结果修改、参数计算,结果存储、系统状态显示、显示类型转换七个功能模块,可以在很大程度上简化医生的诊疗过程,提高医生的诊疗效率。其中的分割结果修改模块可以实现对图像分割算法的反馈,为算法优化提供数据支持。