心血管疾病是威胁人类健康的头号杀手。冠心病作为一种常见的心血管疾病，其死亡人数占据了所有心血管疾病死亡人数的主要部分。目前，冠脉介入手术已经成为治疗冠心病的主要手术方式。随着冠脉介入手术例数的迅速增长，手术医师短缺的问题暴露了出来，而且这一问题在未来还会更加严重。想要解决手术医师短缺的问题，一个有效的解决方法是开发血管介入手术机器人，将手术医师从冠脉介入手术中解放出来。血管介入手术机器人需要拥有与手术医师相同的视觉感知能力，具体来说，就是从数字减影血管造影（Digital Subtraction Angiography， DSA）影像中获取手术所需关键信息的能力。本文在国家自然基金重点项目``血管微创介入手术机器人的基础问题研究''（61533016）等项目的支持下，针对赋予血管介入手术机器人视觉感知能力这一目标，结合手术医师实施冠脉介入手术的具体需求，围绕DSA影像中导丝端点定位、冠脉血管分割以及冠脉血管宽度估计展开研究。论文的主要内容和创新点如下：

（1）针对DSA影像中多导丝端点定位任务，提出了一个两阶段的多导丝端点定位方法。该方法将多导丝端点定位任务分解为导丝检测与单导丝端点定位两个子任务。在导丝检测子任务上，通过利用连续帧中的时序信息，设计了一个检测结果的后处理算法，该算法可以提升连续帧中导丝检测结果的正确率。在单导丝端点定位子任务上，基于多任务学习思想设计了一个分割注意力模块，并将其与堆叠沙漏模型相结合，形成了SA-hourglass模型。实验结果显示，SA-hourglass模型在单导丝端点定位任务上的平均定位误差仅为2.20±0.15像素，显著优于目前已有方法。在实验中。SA-hourglass模型还被应用到了视网膜手术的手术器械关键点定位任务中，平均定位误差仅为5.30±0.18像素。

（2）在DSA影像中多导丝端点定位任务上，进一步提出了单模型的多导丝端点定位方法KL R-CNN。KL R-CNN模型以实例分割模型Mask R-CNN为基础，该模型的创新点在于两点：第一，对模型参数进行了诸多修改，解决了模型输出分辨率过低的问题；第二，设计了一个新的关键点定位分支，解决了现有关键点定位分支容易出现的过拟合问题。实验结果显示，在多导丝端点定位任务上，KL R-CNN模型的多个评价指标显著优于目前已有方法。当KL R-CNN模型与本文提出的两阶段多导丝端点定位方法进行对比时，两种方法在不同的评价指标上各有优势。

（3）针对DSA影像中冠脉血管分割任务，提出了一个基于多尺度特征融合的冠脉血管分割模型CAU-net。鉴于目前缺乏任务相关的公开数据集，建立了一个用于DSA影像中冠脉血管分割任务的数据集。为解决现有血管分割算法没有充分利用多尺度特征的问题，设计了一个多尺度特征融合模块，并将该模块与经典医学图像分割模型U-net相结合，形成了CAU-net模型。实验结果表明，多尺度特征融合模块的引入可以将分割模型在冠脉血管分割任务上的Dice分数提高2.18%。同时，CAU-net模型的冠脉血管分割Dice分数达到了90.35%，显著优于目前已有算法。

（4）针对二维图像的血管宽度估计任务，提出将血管宽度估计任务定义为一个像素级的数值回归任务，并在该任务定义下，提出了一个基于卷积神经网络的血管宽度估计模型。鉴于目前缺乏用于训练血管宽度估计模型的训练标签，设计了一个血管宽度标签生成算法，该算法可以利用血管分割标签生成血管宽度值标签。在提出的血管宽度估计模型中采用了分治思想，用于缓解因训练样本分布不均衡带来的长尾效应。实验结果显示，在冠脉血管宽度估计任务上，在血管宽度估计模型中引入分治思想可以有效缓解由训练样本分布不均衡带来的不利影响，平均误差标准差仅为1.51个像素。在视网膜血管宽度估计任务上，基于卷积神经网络的血管宽度估计模型在宽度估计精度和运行速度上都优于目前已有方法。