当今，心血管疾病(Cardiovascular Diseases, CVD)患病率持续快速增长，在导致我国城乡居民死亡的疾病中占比超过40%，而冠状动脉疾病(coronary artery disease, CAD)与其他心血管疾病相比，是造成死亡的最主要原因，因此冠状动脉疾病的早期诊断相关研究需要引起高度重视。冠状动脉数字图像造影(Coronary computed tomography angiography, CCTA)是一种有效的无创检验冠脉血管狭窄等病变情况的成像技术，对CCTA的自动筛查依赖于冠状动脉管腔的高精度分割。
　　基于此项研究需求，本文在调研相关的冠脉分割研究后，探索了基于深度学习的CT图像中的冠脉分割方法，具体研究内容如下：
　　首先，本文较为完整地调研了近20年来在CCTA冠脉分割算法研究进展，归纳出了应用较为广泛的几种主流算法思路，包括基于血管增强滤波器的分割方法、基于可形变模型的分割方法、基于机器学习的分割方法以及基于血管追踪的分割方法。这些方法各有侧重，在实践中往往互相结合以达到最佳的分割效果。其中，基于深度学习的方法提出了分割冠脉的新视角，在近年来越来越多地应用在此研究任务中，但是由于缺乏先验约束，此类方法往往伴随着较多的分割错误。
　　而后，在本文的研究中，使用半自动的标注工具制作了 81 例带有像素级标签的CCTA冠脉分割本地数据集。在此数据集上，本文进行了CCTA原始坐标空间的冠脉管腔分割方法研究，建立了基于2D和3D数据结构的端到端冠脉分割模型并对其结果进行了评估与分析。结果表明，相较于在2D数据中建立的分割方法， 3D数据以及相应的U-net模型在本地数据集中达到了较好的分割精度。
　　此外，在目前唯一带有精确管腔分割标签的 CCTA 公开数据集(Coronary Artery Stenoses Detection and Quantification Evaluation Framework)的训练集(CASD13)中，本文进行了基于 PolarCPR 空间变换的冠脉管腔分割方法研究。在这一方向的探索中，本文研究了两种目前已有的分割算法，并在此基础上提出了一种基于中心线先验信息结合PolarCPR空间变换的亚像素级冠脉管腔分割方法。其中，本文将循环卷积应用在冠脉管腔分割模型中，通过循环卷积逐层聚合不同尺度的轮廓特征，达到了较高的分割精度，同时保持分割出的冠脉管腔表面模型的平滑性。
　　综合本文研究，相比于在CCTA原始坐标系中得到的端到端冠脉管腔分割方法，本文提出的基于血管中心线先验的冠脉管腔分割方法有着较好的性能，在不经过复杂的后处理的情况下，分割结果能够达到亚像素级别较高的精度，满足了下游相关研究需求并且有着较大的潜力以及拓展空间。