随着深度学习在医疗影像处理中的发展,深度学习方法已经成为医学成像领域应用中辅助诊疗的工具之一。腿部疾病最佳的成像方式是具有高分辨率的MRA图像,准确的小腿动静脉分割对小腿动脉疾病的评估至关重要。MRA数据的人工分割需要大量的人力资源,增加了医生阅片工作量。本文拟解决上述问题,基于两种成熟的深度学习网络进行了改进,分别在小腿动静脉MRA数据集PAVES上进行了对小腿动静脉的分割任务。首先,本文分三步对PAVES数据集进行了数据准备和预处理,第一,由于PAVES挑战数据集不带有标签,无法进行深度学习训练,所以本文联合相关专家对PAVES数据集进行人工标记,生成带标记的PAVES挑战数据集;第二,MRA图像数据中的低频强度不均匀现象,会降低分割性能,因此本文使用N4偏置场校正算法对其进行校正;第三,PAVES数据集中的数据含有较多的背景冗余,本文对数据集中多余的背景部分进行一定规则的裁剪,裁剪后的体积尺寸减小了60%左右,有利于加快训练。其次,由于目前基于端对端的3D U-Net网络,取得了很好的效果,本文将3D UNet网络结构成功应用于小腿动静脉分割任务,并提出了一种改进的两阶段的3D UVNet网络结构。该结构包括两个子网络,每个子网络都由编解码结构组成,其中Net1基于3D U-Net网络结构进行改进,用于进行目标粗分割;Net 2基于3D V-Net网络结构进行改进,并引入残差结构,以对目标进行精细分割。在该网络中,本文改进了一种联合损失函数并通过对比实验验证了其有效性。本文的3D UV-Net网络较其两个子网络具有更高的分割精度。然后,由于在上述实验中,发现由于3D U-Net网络参数量大且受到硬件条件的限制,导致训练时间长,分割精度尚无法达到辅助诊疗的问题,本文又基于DenseNet网络结构的思想,提出了一种改进的包含跳跃连接和条件随机场的DenseNet-SC网络结构。该网络同样包含编码和解码两条路径,在编码路径上采用多级密集块来获得多尺度特征,解码路径使用上采样代替反卷积,大大降低了网络的参数量,在编解码路径之间引入跳跃连接将浅层特征与深层特征相结合,可以获得更详细的分割结果。由于相邻体素大量上下文信息的共享,导致分割结果趋于平滑,本文引入了条件随机场对分割结果的边缘进行优化处理。本文的DenseNet-SC网路在小腿动静脉分割任务中表现出了较优异的性能。最后,本文在PAVES数据集上进行训练和测试,并进行了一系列的对比实验。3D UV-Net主网络与子网络的对比实验表明,主网络相较于其两个子网络拥有更多的参数量和训练时长,但是可以取得更好的分割结果;DenseNet-SC网络的对比实验对分割结果进行了评估,验证了条件随机场对分割结果进行优化策略的有效性。最终,DenseNet-SC网络较3D UV-Net网络在PAVES数据集上的分割精度提高了53%左右。