心脏病突发通常与冠脉粥样硬化斑块的增长和突然破裂密切相关。有效地预测斑块的增长和破裂对心血管疾病尽早诊断、预防和治疗是至关重要的。通过计算数学的方法建立冠脉仿真模型,从力学与形态学的角度进行模型结果分析是当前冠脉在体斑块研究的一个重要手段。但是冠脉医学影像分辨率的限制严重影响了易损斑块应力、应变计算的准确性以及相关的斑块增长和易损性研究的可靠性。本文首次提出通过融合血管内超声（IVUS）和光学相干断层扫描（OCT）来建立精确可靠三维流固耦合数学模型的方法,为准确预测斑块增长和易损性提供了可能性。论文主要包括以下五个方面。当前构造冠脉仿真模型的瓶颈是医学影像的分辨率。易损斑块纤维帽厚度的阈值是65微米。而当前普遍应用于建模研究的IVUS影像分辨率为150-200微米,无法满足识别易损斑块及建立精准力学模型的需要。本文结合血管造影、OCT、IVUS影像数据和获取的在体材料性质,提出了一种新的、更精确的带有循环弯曲的冠脉流固耦合（FSI）模型（IVUS+OCT模型）,将高分辨率的OCT（5-10μm）与穿透力强的IVUS融合并建立模型。IVUS+OCT模型首次为斑块增长和易损性研究提供了可准确确定薄纤维帽厚度和斑块应力应变的方法,为易损斑块的进一步研究提供了更好的准确性和可靠性。OCT医学影像的分割是当前医学影像研究的热点和难关。本文通过最小二乘支持向量机（LS-SVM）和深度学习两种方法分别分割OCT图像,给出成分轮廓并确定出纤维帽的厚度,为后续建模提供精确的形态学信息。两种分割结果显示基于深度学习的预测结果更好（准确性高达96%）,其分割所得平均纤维帽厚度的误差只有3.8%。材料性质是影响模型计算结果的重要因素之一。本文通过定点的动态血管内超声（Cine IVUS）以及虚拟组织学IVUS（VH-IVUS）数据,提出了一种基于薄片模型的获取在体材料性质的新方法。该方法可以确定个体血管的在体材料性质。初步结果表明现有文献中离体样本测量的杨氏模量是在体血管杨氏模量的470%。这些材料性质的差别可导致斑块应力应变计算结果40%-180%的误差。运用上述影像分割,数据处理,冠脉在体材料参数以及多模态的建模方法,本文用患者IVUS、OCT及血管造影的随访数据分别建立IVUS+OCT模型,并从模型中提取力学与形态学因子数值,通过广义线性混合模型以及LS-SVM的方法对斑块增长进行预测。结果表明结合形态学因子和力学因子有益于斑块增长的预测（准确率大约90%）。与仅采用IVUS数据建模预测方法相比（准确率大约70%）,IVUS+OCT模型更准确地模拟了血管的在体状态,具有提高斑块增长预测准确性的潜力。冠脉粥样硬化患者随访记录表明,患者两年内发生有重大临床意义事件的概率为2-5%。由此可见,小规模研究项目通过追踪患者获取足够的斑块破裂或重大临床案例以作为斑块易损性预测的金标准是几乎不可能的。本文通过IVUS+OCT图像获得纤维帽、脂质核和斑块的形态,给出斑块形态学易损性的三种指标,并首次提出用随访数据的IVUS+OCT形态易损性指标作为斑块易损性预测的金标准;然后根据IVUS+OCT形态和斑块应力应变数据,运用五种不同的基于机器学习的预测方法给出斑块易损性的预测。初步结果显示使用LSSVM预测脂质指标增长最优,准确率达到95%。使用随机森林预测纤维帽增长的准确率为80%;使用判别分析分类器预测斑块形态易损性的准确率为74%。本文的创新点有:提出融合IVUS和OCT建立斑块力学模型;机器学习方法进行OCT分割;确定在体材料参数并用于个体仿真模型;运用机器学习进行斑块增长和易损性预测。本文研究数据由哥伦比亚大学心血管研究中心、埃默里大学和东南大学附属中大医院提供（患者都已签署知情同意书）。