脑血管造影图像分析对了解血管疾病的发病机制、术前诊断和治疗具有重要意义。本文以时间飞跃法-磁共振血管造影(Time of flight-Magnetic Resonance Angiography,TOF-MRA)为研究数据,结合统计模型与深度学习方法深入研究了脑血管分割、病灶靶区定位、血管中心线提取、术前介入手术路径规划。本文针对了该领域面临的以下挑战性问题开展研究:尽管统计模型在脑血管分割取得了充分的发展,但由于成像设备与成像参数的不同,导致数据之间存在显著差异,进而影响了统计模型的鲁棒性和分割方法的性能;深度学习在医学图像处理领域取得了显著性进步,但在脑血管分割任务中始终面临着脑血管标记数据不足的瓶颈;在术前血管介入手术的准备环节中,影像科医生需要反复浏览TOF-MRA图像,最终确定介入病灶靶点位置以及介入路径,这一过程完全依赖于医生的经验判断,加大了医生的阅片负担,不利于介入治疗工作精准快速地开展。针对完整的术前造影图像分析流程以及上述面临的问题,本文的主要的贡献和创新点如下:1.提出了一种设备无关的有限混合模型-马尔科夫随机场(FMM-MRF)脑血管分割方法:通过颅骨剔除技术和直方图规范来精简感兴趣区域并规范数据的灰度分布;由于血管的颅内容积小,传统EM算法对FMM参数估计过程是有偏的,由此提出基于血管知识的EM算法;将多尺度血管增强结果与FMM中血管容积估计权值相结合,进一步得到具有概率意义的血管特征图,并将其嵌入到MRF过程,构建了双能量约束的MRF血管优化过程。实验结果表明,与目前的统计模型相比,在分割精度和鲁棒性上有了明显提高。2.提出了一种模型驱动和数据驱动相结合的脑血管自动分割方法:为了克服标记数据不足的瓶颈,采用设备无关的FMM-MRF脑血管分割方法生成大量脑血管标记信息;利用深度学习挖掘数据之间的共性,建立对错误标记信息进行修正的清洁机制,从而得到较高质量的标记信息;针对血管的多尺度特性,结合稠密连接和扩张卷积构建了一个具有双分支的卷积神经网络。实验结果表明,所提出的脑血管方法在分割性能上得到进一步的提升。3.针对病灶介入靶点的定位与分割,设计了一个两阶段的卷积网络结构:其中一个加权正交平面的扩张卷积结构代替了传统的三维卷积,不仅扩大了三维上下文信息的利用范围,并且减少计算量;通过采用稠密连接和不同的扩张率设置,该卷积结构能够在相同的图像分辨率空间下进行金字塔特征学习。实验结果表明,该方法优于Vnet。4.针对中心线提取与介入路径规划:在细化算法得到骨架线的基础上,结合边缘距离场解决了分支点不唯一问题;利用多尺度血管增强与三维曲线平滑技术进一步对其优化,由此得到脑血管中心线;将中心线转化为血管静态路网对其进行拓扑路径分析,并通过A*算法实现了术前介入路径的规划。上述贡献和创新对当前血管造影图像的人工智能方法研究具有重要意义:进一步提高了统计学模型的设备普适性;缓解了深度学习方法对金标准数量的严重依赖性。临床重要意义表现在:针对血管病灶的介入栓塞手术,很大程度支撑了血管三维可视化和靶区定位,从而提高了个性化介入手术的诊治效益。总之,本工作为脑血管疾病的计算机辅助诊疗技术起到积极作用。