冠心病是目前全球范围内死亡率最高的疾病之一,中国的冠心病致死人数居全球第二位。经皮冠状动脉介入治疗是治疗冠心病的最常用方法,通过植入支架,疏通狭窄或者堵塞的冠状动脉,改善心肌的供血状况。可降解支架是近年来提出的最新一代具有革命性技术前景的支架,可提供阶段性的血管壁支撑,待症状缓解后自动降解。但支架在植入过程中,如果发生支架贴壁不良现象,会导致术后支架内血栓等晚期不良事件的发生,给患者生命安全带来威胁。所以在支架植入过程中,支架贴壁情况的实时分析具有重要的临床应用价值和研究意义。经皮冠状动脉介入手术中需要腔内影像进行辅助诊断。血管内光学相干断层扫描技术(Intravascular optical coherence tomography,IVOCT)具有很高的成像分辨率,能够对可降解支架清晰成像,因此可以在术中辅助专家进行支架贴壁情况的分析。但鉴于每个回拉中包含数千个支架,依靠专家手工分析必然是耗时耗力的,利用计算机算法进行辅助分析可以提供给专家实时、直观、有效的支架贴壁自动分析结果。本文中提出了IVOCT影像中可降解支架轮廓的自动分割算法,在得到支架轮廓后,结合冠状动脉管腔轮廓就可以得到贴壁分析情况。分别利用传统机器学习和深度学习的方法进行可降解支架的自动分割。传统机器学习的方法中,针对动态规划算法在轮廓分割过程中容易受到血液伪影或支架内部断裂影响而导致分割结果不准确的问题,结合IVOCT影像中可降解支架具有盒状、类矩形外观的先验信息,创新性地提出了一种基于支架角点得到支架轮廓的分割算法。首先结合扩展的Haar-like特征,使用Adaboost算法训练角点分类器;其次在支架感兴趣区域内进行候选角点检测;最后再对候选角点进行后处理,得到最优的四个支架角点,进而得到支架轮廓分割结果。深度学习方法中,利用Mask R-CNN模型训练可降解支架轮廓分割模型,将训练好的模型应用到IVOCT图像中,可以直接得到可降解支架的实例分割结果。基于分割结果,实现IVOCT影像中可降解支架贴壁情况的自动分析。为了评估本文提出算法的性能,在5个回拉数据上进行测试,将本文算法得到的分割结果和专家手动标记的支架轮廓金标准、和已有的使用动态规划方法的分割结果进行对比。结果显示,基于角点检测的可降解支架分割算法在五个回拉上的Dice分割均值可达到0.89,高于动态规划算法的0.81;在分割速率上,单个回拉平均耗时240s,目前无法满足实时性的要求。基于Mask R-CNN模型的可降解支架分割算法,其Dice分割均值可达0.91,算法召回率均值可达0.994,精度均值可达0.996,F值均值为0.995,单个回拉分割平均耗时20s,这充分说明了算法的精确性和鲁棒性,且可满足临床上实时性的要求。在目前已知的IVOCT影像中可降解支架自动分割算法中,Mask R-CNN算法为最佳算法。基于本文提出的IVOCT影像中可降解支架的自动分割算法,可以实现可降解支架贴壁情况的实时有效自动分析,临床上,达到了辅助专家进行实时诊断分析的目的。