背景动脉粥样硬化斑块的组织成分和形态结构决定着其的稳定性或易损性。血管内光学相干断层扫描(IVOCT)由于其超高的分辨率,已迅速成为评估在体冠状动脉壁病理的首选方法。但在临床上,IVOCT图像斑块组分分析主要依赖于训练有素的专家对图像的解读,费时费力且存在个体差异。本研究采用卷积神经网络(CNN)方法,从IVOCT图像中自动化提取最佳特征信息,实现对动脉粥样硬化斑块的几种基本组分(纤维,脂质,钙化,混合等)进行表征。方法本研究选择了鼓楼医院2015.12-2016.12月的20个病人的IVOCT图集进行研究。专家首先排除图集中的包含支架的图像,然后对剩下的所有图像进行分割,最终产生1 500幅斑块IVOCT图像。对一部分图集的每张图像标记斑块组分,将感兴趣区域切割为13~*13大小的图块做为训练集,并采用自定义的CNN网络模型训练分类器。此外,将另一部分图集中IVOCT图像的有效区域切割成相同大小的图块作为测试集进行分类,并将分类的结果拼接回原来的IVOCT的图像上,以此达到近似于斑块组分分割的效果。结果实验结果表明,CNN分类器对于斑块的几种基本组分的平均分类准确度能够达到80%以上。通过这种方法得到的斑块组分的自动化分割结果与专家手动划分的结果相近。结论本文提出的方法在分析冠状动脉IVOCT图像的动脉粥样硬化斑块组分表征具有有效性和鲁棒性,为研发用于临床环境并协助血管壁病理的诊断提供了理论基础和技术支撑。