摘要
冠状动脉疾病（CAD）是全球常见的心脏疾病之一，也是导致心脏疾病死亡的主要原因。在CAD的诊断与治疗过程中，冠脉图像的精确分割对于深入理解冠状动脉结构、辅助病理评估及优化临床决策具有至关重要的作用。有创冠状动脉造影（ICA）作为一种2D图像技术，与冠状动脉计算机断层扫描造影（CTA）作为3D图像技术，均为评估冠状动脉状况的主流影像技术。然而，ICA图像分割面临的挑战包括低对比度、高噪声和血管重叠等一系列挑战；而CTA图像分割则需解决高背景噪声和三维数据处理的复杂性等问题。这些挑战促使研究者探索更高效、更客观的分割技术。本研究致力于开发基于深度学习的分割方法，在ICA的2D图像和CTA的3D图像上实现精确分割，以提供CAD诊断和治疗的精准图像支持。研究主要包括以下两个方面： （1） 面对ICA二维图像分割的挑战，本研究提出了一种名为MSRINet的2D卷积神经网络。该模型结合了全尺度跳跃连接、深度监督，并在编码器中融入残差与Inception模块，从而增强了对ICA图像多尺度特征的提取能力。同时，通过引入迁移学习技术，有效提高了网络在初始阶段的分割性能和学习效率。此外，本研究设计了一种混合损失函数，旨在加强网络的收敛性并在分割过程中对偏差进行有效惩罚。实验结果显示，MSRINet的Dice系数高达0.8942，灵敏度为0.8735和特异度为0.9954，表现出良好的分割精度。与当前流行模型相比，这一结果证明了MSRINet在提高ICA图像分割精度方面的有效性。 （2） 面对CTA三维图像分割的挑战，开发了一种名为Fusion2D/3D U-Net的3D卷积神经网络，它巧妙地结合了2D与3D卷积技术。该网络既发挥了3D卷积在空间信息获取上的优势，也利用了2D卷积在细节捕捉上的高灵敏度。进一步地，引入了多尺度深度监督机制，不仅缩短了训练周期，而且有效避免了过拟合问题。此外，通过采用精心设计的混合损失函数，有效优化了网络训练过程。在与其他先进的3D卷积神经网络相比较中，Fusion2D/3D U-Net在CTA冠脉分割任务上展现出的Dice系数达到0.8056，灵敏度为0.7843，特异度为0.9998。这些结果证明了Fusion2D/3D U-Net在CTA冠脉分割方面具有相对优势。 综上所述，本文针对ICA与CTA冠脉分割任务所提出的深度学习方法，展现了出色的性能，彰显了其在CAD风险评估和辅助诊断方面的巨大应用潜力。
NETL