脑卒中是严重威胁人类健康的疾病之一,其中颈动脉粥样硬化性病变是引起缺血性脑卒中的重要原因。如今已经发展出多种用于诊断颈动脉粥样硬化性疾病的影像技术,其中计算机断层血管造影（Computed Tomography Angiography,CTA）以其扫描速度快、分辨率高、无创性等特点在临床上被广泛应用。基于CTA影像对颈动脉管腔及斑块进行定位和分割是评估颈动脉粥样硬化性疾病的重要一步。传统分割方法无法摆脱对人工的依赖且鲁棒性差,无法实现全自动分割。本文在上述背景下,基于深度学习对颈动脉管腔及斑块的全自动分割方法进行研究,主要研究内容及成果如下:（1）提出了由粗到细（Coarse to Fine,C2F）的颈动脉管腔分割流程。针对目标区域与背景区域严重不平衡的问题,设计了由粗到细的分割流程,首先在粗分割阶段对颈动脉管腔区域进行大致定位,然后级联细分割网络对粗分割结果进行精细化的边缘分割。对医院提供的头颈部CTA扫描与专家标注进行配准和预处理以构建训练集和测试集。基于构建的数据集,在C2F流程下五个不同分割网络的Dice精度提升了9.81%-16.11%。表明了C2F分割流程的有效性,可实现全自动分割并且避免分辨率损失。（2）在颈动脉管腔分割网络部分提出Multiplanar D-SEA UNet。采用针对三维图像的多平面数据扩增预处理架构,在UNet的基础上加入深度监督机制、激励压缩模块和注意力机制,用于融合多尺度的分割输出并对特征通道进行加权。可达到91.51%的分割精度,并且能够保证血管的完整性和连续性,各评估指标均优于对比分割网络。（3）提出了3D Trans-IS UNet斑块分割算法。针对斑块体积微小以及小样本数据集的情况,采用基于图像块的采样策略进行数据扩增。在分割网络中加入Transformer模型进行全局信息建模,融合中继监督机制使网络得到充分训练,同时结合Dice和交叉熵进行损失函数设计。根据颈动脉管腔分割结果在左、右颈动脉区域上进行斑块分割,3D Trans-IS UNet能够达到74.47%的分割精度,明显优于其他分割网络,能够对斑块进行检测和准确定位。（4）临床前瞻性验证。从医院采集47例临床诊断为无斑块或有斑块的样例进行验证,斑块检测精度为80.85%。若将体积像素小于50的斑块作为无需治疗的无斑块样例,则检测精度为89.36%,能够辅助医生进行初步快速影像筛查。图33幅,表12个,参考文献58篇。