经皮冠状动脉介入术是一种有效的治疗冠状动脉病变的最小侵入手术方案。在介入过程中,心脏病科医生注入不透射线的对比剂来可视化冠状动脉,在X射线造影术的引导下确保手术器械准确地穿行于冠脉直至病灶区。为了促进手术的安全性和有效性,对X射线造影图中冠脉的提取是基础且重要的,主要包括增强和分割两个任务。然而,它是一个具有挑战性的课题,受限于重叠的复杂背景、较弱的血管可视性和不规律的运动模式等。因此,我们提出一套高精度的增强方法和两套标注高效的分割方法,来实现准确且便捷的冠脉提取。主要工作和研究成果包括:1)基于冠脉形态约束鲁棒性主成分分析的冠脉增强方法。该方法在层分离框架的基础上,将精心设计的冠脉形态先验融入朴素低秩背景分解范式中,形成贴合于冠脉的新颖组稀疏前景约束,克服造影过程中冠脉运动减弱的现象。并设计了一种自适应正则化策略,灵活地调整算法对不同冠脉尺度的敏感性,解决增强的多尺度问题并确保了提取结果的完整性。2)基于标注修正自步学习的弱监督冠脉分割方法,使模型从由自动冠脉增强生成的噪声伪标注中学习,而不是准确的全手工标注。具体地,我们提出基于稀疏手工标注对朴素自步学习进行在线引导,有助于克服伪标注中的系统性偏差并显著提高分割精度;另外,我们基于冠脉本身特性提出一种定制的血管不确定性,并将其与广泛使用的模型不确定性动态融合,使得推荐性标注具有最小的手工介入量。3)跨解剖域适应的半监督冠脉分割方法,由眼底图像的视网膜血管进行知识迁移来辅助X射线造影图像中的冠状动脉分割。我们在分割主干网络中提出了血管特异性的批量正则化层,对不同的血管图像独立地计算统计量并进行特征正则化,由此缓解具有挑战性的跨解剖域差异,而仅需要非常有限的冠脉手工标注;另外,我们采用自组装的平均教师模型来利用大量无标注的X射线造影图像,进一步提高分割精度和标注高效性。本文共收集了大量冠心病患者在经皮冠脉介入术中的X射线造影图像数据,并分别验证所提出不同方法的增强和分割效果。实验结果表明提出的冠脉形态约束的鲁棒性主成分分析相比于传统方法具有显著更好的血管可视性和更高的增强准确性,而且所提出的标注高效的分割方法在即使更少的手工交互时也能得到更准确的冠脉分割结果。