第一章 引言
冠状动脉粥样硬化性心脏病是目前全球范围内导致死亡的主要原因之一，其病理基础在于冠状动脉壁上斑块的形成与进展。临床研究表明，斑块的稳定性与其破裂风险直接相关，相较于导致管腔严重狭窄的钙化斑块，富含脂质坏死核心且纤维帽较薄的易损斑块更容易发生破裂，进而引发急性冠脉综合征等严重心血管事件。因此，准确、无创地评估斑块稳定性对于早期预警、指导临床治疗决策以及改善患者预后具有至关重要的意义。
目前，冠状动脉造影虽被视作诊断冠心病的“金标准”，但其仅能显示管腔的狭窄程度，难以直接观察血管壁斑块的具体组织成分，存在明显的评估局限性。血管内超声和光学相干断层成像等技术虽能提供高分辨率的斑块微观结构信息，但属于侵入性检查，存在一定的手术风险且费用较高，不适合作为大规模筛查手段。相比之下，冠状动脉CT血管成像作为一种无创、便捷且普及率高的影像学技术，能够清晰显示血管壁情况及斑块形态特征，已逐渐成为评估斑块的重要工具。然而，传统CCTA图像分析主要依赖放射科医生的肉眼观察与主观判断，在量化斑块内部特征及精确判断稳定性方面往往存在效率低、一致性差等不足。
近年来，人工智能技术在医学影像领域取得了突破性进展，特别是深度学习算法为复杂医学图像的自动化分析提供了强有力的支持。针对冠状动脉斑块结构复杂、尺度多变的特点，基于多尺度特征融合的深度学习模型应运而生。该模型通过构建多层级网络结构，能够同时提取图像的深层语义特征与浅层细节纹理，有效解决了单一尺度特征在捕捉微小病理改变时的信息丢失问题。通过特征融合机制，模型可以更精准地识别斑块内的脂质、钙化及纤维组织，进而实现对斑块稳定性的智能化、定量化评估。这一研究方向的深入探索，不仅能够辅助医生制定更科学的个性化诊疗方案，也对推动心血管疾病的精准诊疗具有重要的临床应用价值。
第二章 基于多尺度特征融合的冠状动脉粥样硬化斑块稳定性评估模型构建与验证
2.1 多尺度特征提取的冠状动脉粥样硬化斑块影像数据集构建
本研究旨在构建高质量、标准化的冠状动脉粥样硬化斑块影像数据集，这是实现模型精准训练与验证的前提基础。数据采集主要依托于临床心血管影像中心，筛选拟行冠状动脉造影检查且同步接受CT血管成像（CTA）的患者作为潜在来源。为保障数据的一致性与有效性，制定了严格的纳入与排除标准：纳入标准为图像清晰度优良、无明显运动伪影且具有完整临床病历资料的病例；排除标准则包括既往行支架植入术、冠状动脉旁路移植术以及影像质量不佳无法满足分析要求的患者。针对原始影像数据，本研究实施了多尺度特征的精细化标注流程。首先，由两名资深放射科医师在原始高分辨率CTA图像上沿血管轮廓勾画感兴趣区，随后针对不同层级的影像分辨率，对斑块区域的边界、成分及形态特征进行联合标记，确保了标注结果的准确性与可靠性。在特征提取阶段，利用图像处理算法从标注好的斑块区域中深度挖掘多维度特征，具体包括基于像素灰度分布的统计特征、反映斑块表面形态的几何特征以及捕捉微观纹理变化的纹理特征等，这些特征共同构成了描述斑块稳定性的丰富信息集。最终，将处理后的影像与提取的特征进行标准化对齐与格式统一，构建完成适用于多尺度特征融合模型的标准化数据集。为确保模型训练的科学性，采用分层随机抽样法将数据集按照既定比例划分为训练集、验证集与测试集，从而为后续模型构建、参数优化及性能评估提供了坚实的数据支撑。
2.2 多尺度特征融合的斑块稳定性评估模型架构设计
本研究针对冠状动脉粥样硬化斑块稳定性评估这一临床难题，设计了一种基于多尺度特征融合的深度卷积神经网络架构。该架构的核心设计思路在于模拟影像科医师阅片时的观察逻辑，即同时关注反映斑块整体形态的宏观特征与揭示内部微结构的细节特征，从而实现对斑块稳定性的精准判别。
在特征提取模块，网络采用并行的双分支结构。其中，深层特征提取分支利用较小步长的卷积核与较深的网络层数，专注于捕捉高分辨率的微小纹理信息，如纤维帽厚度、脂质核心分布及点状钙化等关键病理细节；而浅层特征提取分支则通过较大卷积核与池化层，负责提取斑块的体积、长轴轮廓及血管狭窄程度等宏观几何特征。这种差异化设计确保了模型能够全面感知斑块在不同维度上的病理表现。
为解决单一尺度特征信息割裂的问题，架构引入了跨尺度特征融合机制。具体实现上，通过引入注意力引导的特征融合模块，将深层分支的高频细节特征与浅层分支的低频语义特征在通道与空间维度上进行自适应拼接与加权。该机制能够根据不同样本的特异性，动态调整各尺度特征的权重，强化对稳定性判定贡献大的特征向量，同时抑制背景噪声的干扰，生成包含丰富空间与语义信息的综合特征图谱。
在输出层设计上，融合后的特征图经过全局平均池化处理与全连接层映射，最终采用Softmax分类器输出斑块稳定性概率分布。该架构相较于单一尺度模型，有效克服了小尺度特征容易丢失空间位置信息、大尺度特征难以识别微小病灶的局限性。通过多尺度信息的互补与融合，模型显著提升了复杂斑块类型的识别能力，为临床提供了一种更为客观、准确的稳定性评估工具。
2.3 模型的训练优化与性能指标验证
本研究基于深度学习框架构建了模型训练环境，采用高性能图形处理单元进行加速计算，以确保数据处理的时效性。在优化器选择上，选用自适应矩估计算法，该算法能够自适应调整学习率，有效解决梯度消失或爆炸问题，从而提升模型在处理复杂医学图像时的收敛速度与稳定性。针对冠状动脉斑块分类样本分布不均衡的挑战，损失函数设置为交叉熵损失函数的加权变体，赋予不稳定斑块样本更高的权重，以此强迫模型加强对微小病理特征的捕捉能力。在训练参数调优过程中，采用动态学习率衰减策略，在保证模型快速收敛的同时防止过拟合，通过早停机制监控验证集损失，确定最佳模型权重。为了全面评估模型的临床辅助诊断价值，本研究选取了分类准确率、灵敏度、特异度以及受试者工作特征曲线下面积作为核心性能指标。其中，准确率反映模型整体判断的正确性，灵敏度与特异度则分别衡量模型识别不稳定斑块的能力及排除稳定斑块的能力，AUC值则直观展示了模型在不同阈值下的综合诊断效能。验证方案采用五折交叉验证法，确保评估结果的客观性与泛化能力。实验结果显示，本模型的各项性能指标均表现优异，相较于传统的单一尺度卷积神经网络以及其他主流特征融合方法，本模型在灵敏度和AUC值上具有显著优势。特别是在区分易损斑块与稳定斑块时，模型的多尺度特征融合机制能够更精准地提取斑块边缘的不规则特征及内部低密度影，有效降低了漏诊率与误诊率。这一结果充分验证了基于多尺度特征融合的评估模型在冠状动脉粥样硬化斑块稳定性分析中的有效性与优越性，为临床无创评估提供了可靠的技术支持。
第三章 结论
本研究通过对基于多尺度特征融合的深度学习模型进行系统性构建与验证，证实了该方法在冠状动脉粥样硬化斑块稳定性无创评估中具有重要的临床应用价值。研究从影像数据预处理入手，严格规范了冠脉CT血管造影图像的去噪、增强及标准化流程，利用多尺度卷积神经网络对不同分辨率的特征图进行并行提取与融合，有效解决了单一特征提取易造成微小纹理信息丢失的技术难题。通过将浅层的几何形态学特征与深层的病理组织学特征在通道维度上进行深度融合，模型能够更精准地捕捉斑块内部的脂质核心、纤维帽厚度及钙化分布等关键微细结构。实验结果表明，与传统单纯依赖形态学特征的评估方法相比，该模型在识别易损斑块方面的准确率、灵敏度及特异性均有显著提升，能够有效区分稳定性斑块与不稳定性斑块。在实际应用层面，该模型实现了从有创血管内超声或光学相干断层成像向无创影像评估的跨越，为临床医生提供了客观、定量的辅助诊断工具，有助于优化冠心病患者的危险分层及个体化治疗策略，降低急性心血管事件的发生风险。此外，该研究建立的标准化操作流程不仅保证了分析结果的一致性与可重复性，也为后续医学影像人工智能辅助诊断系统的开发提供了可靠的技术参考与实践依据。