在全世界范围内,脑中风的死亡率仅次于心脏病已成为第二大致死因素,全球每年大约有1500万人患有缺血性中风,颅内动脉粥样硬化是造成脑卒中的重要因素。医学断层成像技术是重建人体三维组织信息的重要手段,磁共振成像广泛应用于颅内动脉血管诊断,其具有高分辨率和多序列的特性,能够清晰地区分不同组织的结构。在磁共振图像中对脑血管标记在临床医学中应用十分广泛,是进一步获得血管信息的首要步骤。研究发现,颅内动脉血管几何形态与动脉粥样硬化的形成息息相关,通过传统图像序列难以对动脉几何形态进行精准测量,因此重建三维血管模型对于进一步的血管分析至关重要。传统的基于边界或区域的血管分割算法需要手工标记,工作量巨大且缺乏足够的验证。随着计算科学的发展,深度神经网络与医学图像处理进行了广泛的结合,全卷积神经网络在医学图像分割领域取得了重大成就。本文将深度学习技术应用于颅内血管分割,使用断层成像相关技术,通过反投影算法重建断层血管信息,并在此基础上进行血管模型的三维重建。本文的主要工作内容如下:受到残差网络和密集网络的启发,提出了以U-net为主干网络的Res-Unet和Dense-Unet网络对血管图像进行分割。Res-Unet引入了短路连接的特性,能够有效提取深层网络特征,提高训练效率。在ResNet-v2网络中残差模块的基础上,提出了共享权重的残差模块,该模块中两次卷积使用相同卷积核,能够有效减少网络参数。使用DensNet中的密集模块替换U-net中常规卷积层,设计Dense-Unet网络用于分割血管。实验数据来自陕西省人民医院,通过最大强度投影获得不同角度的血管投影图像,由放射医生进行辅助标记,构建投影血管图像数据集。由于数据集数据量有限,通过随机裁剪对数据集进行增强。本文分别比较了U-net、Res-Unet和Dense-Unet的训练效率与分割效果,其中Dense-Unet有更好的分割效果,dice系数达到0.92428。在投影血管图像分割的基础上,利用断层成像技术中反投影重建算法的思想,将投影血管分割图像代替平移旋转扫描方式获得的投影数据,以此通过滤波反投影算法进行图片切片重建。通过重建的断层图像对原磁共振数据中的血管信息进行增强。通过衡量增强图像的质量,对使用不同数量投影角度和滤波函数重建效果和性能进行对比。最终使用S-L滤波函数的30张投影血管图进行反投影重建。通过移动立方体（MC）算法对增强体数据进行三维重建,通过一例具体颅脑磁共振数据,展示三维血管模型的重建效果,重建效果优异。随后展示模型的动脉分段、粗细测量、动脉段夹角测量的实际操作效果。