Stanford B型主动脉夹层（Stanford B aorric dissecrion,简称SBAD）是一种高危主动脉疾病,临床表现为主动脉内膜撕裂,血液经内膜破口进入主动脉壁,造成主动脉壁中层沿长轴分离,形成真腔和假腔的病理状态。B型夹层的主要治疗手段是腔内修复术（thoracic endovascular aortic repair,简称TEVAR）,用支架封堵破口以重塑真腔。在介入治疗前,临床医生要充分了解主动脉解剖情况并测量真假腔数据来制定治疗方案,但单靠人工会花费大量时间和精力,因此,利用深度学习自动实现主动脉分割和中心线提取,并预测患者预后发展在临床上十分重要。主要研究工作如下:1)B型夹层纵向分布广,图像数量大,且胸、腹血管尺寸逐渐变化,会造成图像样本分布不平衡。本研究提出一种基于深度学习的B型主动脉夹层自动分割方案,利用Dense Net的稠密连接块结合空洞金字塔多尺度融合模块,增加数据的传递效率,减少参数量,进一步扩大浅层和深层语义信息的特征提取;同时引入正交十字编码器,提取三个正交的二维特征,并融合为三维空间结构,最后验证了分割模型的可行性和准确性。2)设计了基于深度学习的主动脉中心线提取方案,利用追踪器和停止器完成三维血管中心线的生成和停止。追踪器提取骨架特征,通过种子点生成球状分布的候选中心线方向向量,并结合空间距离分布图判断中心点位置和中心线生成的特征向量方向;停止器负责检测血管出入口边界,确保中心线在血管末端停止生成。3)收集了胸主动脉腔内修复术后B型主动脉夹层患者的基线、支架和影像学数据,利用机器学习预测5年内的预后情况,并分析导致不良结局的风险因素。构建梯度提升分类模型实现不良预后结局的预测,为B型夹层的预后风险评分和风险因子提供一定的科学依据。