Ишемическая болезнь сердца (ИБС) остается одной из ведущих причин смертности в мире, что требует точной оценки стеноза коронарных артерий и ангиографических признаков, связанных с бляшками, по данным коронарной ангиографии. Хотя модели глубокого обучения показали высокую прогностическую способность, их развертывание на встраиваемых платформах с ограниченными ресурсами затруднено из-за вычислительной сложности и требований к памяти. Для решения этих проблем предложена аппаратно-ориентированная структура на основе дистилляции знаний, которая переносит дискриминативные знания от высокопроизводительной сети-учителя к легковесной сверточной нейронной сети (CNN). Предложенная структура интегрирует программную локализацию ангиографических признаков бляшек с оптимизацией под FPGA. При разделении данных 90% на обучение и 10% на тестирование модель достигла точности 98,64%, полноты 97,82%, PPV 0,99, NPV 0,98, MCC 0,96 и AUC 0,9940. При 10-кратной перекрестной проверке средняя точность составила 97,53% ± 0,27%, полнота 96,94%, PPV 0,98, NPV 0,97, MCC 0,95 и средний AUC 0,9897, что подтверждает высокую устойчивость модели. Для аппаратной реализации оптимизированная CNN была развернута на FPGA Xilinx Zynq UltraScale+ MPSoC с использованием инструментария Vitis High-Level Synthesis (HLS). Реализованный ускоритель достиг задержки вывода на уровне ядра 10,6 мкс и пиковой пропускной способности около 94 339 выводов в секунду при сбалансированном использовании аппаратных ресурсов и низком энергопотреблении. В целом предложенная структура демонстрирует точную классификацию ангиографических признаков бляшек с эффективным развертыванием на FPGA, что открывает возможности для диагностики в реальном времени в клинических условиях.