斑块侵蚀是急性冠状动脉综合征的第二大潜在机制,也是急性冠状动脉血栓形成的重要病理基础。光学相干断层成像作为一种具有极高分辨率的冠状动脉内成像模式,已被证明是目前临床上唯一可用于在体诊断斑块侵蚀的成像方式。然而,斑块侵蚀的识别和诊断仍然需要医生具有丰富的临床经验,且存在因观察者间及观察者内部的高度可变性而导致的诊断误差。因此,实现血管内斑块侵蚀的自动识别可以有效的降低诊断难度,提高诊断准确率,对急性冠状动脉综合征的临床治疗具有重要意义。本文通过融入临床可解释的医学特征来提高医学图像检测算法的性能,首次开发了一个基于人工智能的斑块侵蚀自动检测系统,最终实现0.800±0.175的灵敏度和0.734±0.254的精确度。本文的主要研究工作如下:1)建立斑块侵蚀检测数据集。由于目前没有权威的可用于斑块侵蚀检测的公开数据集,本文收集了专业医生标记的来自83个具有斑块侵蚀的急性冠状动脉综合征患者在光学相干断层成像下的83条血管数据集,共计29914张横截面图像,构建了一个全新的斑块侵蚀检测数据集。2)提出基于形状编码的卷积神经网络检测算法Mask RCNN-CK。针对深度学习现有算法对斑块侵蚀的检测存在局限性:第一,斑块侵蚀在远离血管壁一侧不存在明显的边界,且与冠状动脉纤维组织具有纹理相似性的特征;第二,斑块侵蚀靠近血管壁的一侧在图像上表现为明显的形状不规则,而卷积神经网络更关注图像的纹理信息,使用现有的深度学习算法难以得到准确的检测结果。本文在Mask RCNN网络的基础上将凸度和曲率作为形状特征融入深度学习网络,实验验证本章方法对斑块侵蚀的检测精确度提升了18.2%。3)提出基于领域知识的后处理算法。考虑到神经网络只利用了原始图像的信息,没有结合医学领域知识,所提出的后处理算法在初步检测结果上进一步提取组织的光学特征、形态学特征、三维连续性以及其他特征,使得最终的分割结果产生了显著的视觉改善,反映在数值上为精确度和敏感度的明显提升。