通过头颈部CTA图像观察颈动脉和椎动脉血管,这一方式对于辅助医生进行动脉粥样硬化和脑卒中疾病的诊断而言,有着非常重要的临床研究意义,而颈动脉和椎动脉的血管分割是其中的关键步骤之一。因此,研究深度学习技术分割CTA图像中的颈动脉和椎动脉血管,有利于提高诊断效率,减轻医生的工作量。首先,对原始头颈部CTA图像进行数据预处理:针对图像中颈动脉和椎动脉血管区域存在的像素值分布范围较小,以及血管边界不清晰等问题,对CTA图像进行截断归一化处理;进而采用图像插值算法将CTA图像的大小调整为适合网络输入大小的切块。其次,研究了利用V-Net网络结构进行颈动脉和椎动脉血管分割的方法,并针对颈动脉和椎动脉血管特点,提出CVA-VNet网络,该网络在V-Net网络的基础上进行如下改进:1)将网络解码过程中的多分辨率输出融合,有利于获取网络深层语义信息,兼顾颈动脉和椎动脉血管的整体和细节部分;2)将网络中的普通卷积改为混合空洞卷积,扩大感受野,从而能够更好地照顾到血管细节的特征信息;3)在V-Net网络中引入Dropout正则化技术,减少过拟合风险,增强学习能力。最后,通过后处理将预测得到的标签数据进行拼接,并还原到CTA图像的原始大小,得到颈动脉和椎动脉血管的分割结果。本研究采用项目合作单位提供的三维头颈部CTA图像进行实验,从中随机选取了14套病例进行测试,将本文改进的网络结构与不同的深度学习网络结构进行对比。实验结果表明,本文提出的基于深度学习的颈动脉和椎动脉分割算法在评估指标Dice相似系数的平均值达到85.74%,较其他方法有明显提升,尤其是在颈外动脉区域,说明本文提出的颈动脉和椎动脉血管分割方法更具有优势,有利于辅助医生的临床诊断和治疗。