脑卒中也称为脑血管意外,是因颅内血管阻塞或破裂造成的。脑卒中是全世界最严重的脑血管疾病之一,而颅内动脉粥样硬化斑块（后简称:颅内动脉斑块）的破损是导致脑血管意外的主要原因。高分辨率核磁共振成像技术（High-Resolution Magnetic Resonance Imaging,HRMRI）由于其高精度的成像能力,能够清晰地展示颅内动脉斑块,是目前颅内动脉影像检测的重要方法之一。传统易损斑块诊断的方法是心脑血管专家先从大量的颅内HRMR图像中找到斑块的位置,然后凭借自己的经验完成对病理的诊断,该过程费时费力,且难以避免医生的主观性。通过深度学习实现颅内动脉斑块的精准分割与识别能够帮助心脑血管专家做出更加准确的判定,因此具有很大的研究价值。本文以高分辨率核磁共振技术成像的颅内图像为研究对象。通过广泛查阅国内外相关文献以及学习颅内动脉斑块的病理知识之后,完成了颅内动脉斑块图像的采集、数据集的制作和图像预处理;在此基础上,提出了一种基于高效通道注意力的UNet颅内动脉斑块分割方法和一种基于金字塔池化和多头自注意力的Retinanet颅内动脉易损斑块的识别方法。最后根据以上提出的两种方法,开发了颅内动脉斑块辅助诊断软件,辅助医生进行颅内动脉斑块的诊断。具体研究主要包括以下四个方面:1)颅内动脉斑块数据集的制作;数据集是深度学习的灵魂,没有数据集,神经网络就无法训练。一个正负样本均衡、标签绘制正确的数据集能使神经网络取得更好的效果。首先对收集到的79210张颅内影像逐一筛选,挑选出含斑块图像1446张,使用labelme绘制出斑块轮廓。然后将绘制出的轮廓信息与放射科医生进行核对,保证每张图像的标签都是准确无误的,以此作为图像分割的数据集。最后根据划分出的斑块,使用labelimg进行易损斑块的标注,作为易损斑块识别的数据集。2)基于高效通道注意力的UNet颅内动脉斑块分割;首先利用Eca Net对含有斑块的特征通道进行加权,使得网络可以更好的学习到斑块的特征。其次改进了特征融合模块,网络参数量减小,训练和分割速度得到了提升,使医生可以更快的看到分割结果。最后改进了损失函数,避免在训练过程中出现损失异常的情况。实验结果表明,相比UNet分割方法在DICE系数相似性上提升了10.42个百分点。3)基于金字塔池化和多头自注意力的Retinanet颅内动脉易损斑块的识别方法;针对易损斑块内部结构复杂、边缘信息提取难的问题,提出了一种基于金字塔池化和多头自注意力的特征提取网络（Pyramid Pooling and Multi Head Self Attention Net,PPSANet）。首先对金字塔池化（Atrous Spatial Pyramid Pooling,ASPP）模型进行改进,加入小扩张率空洞卷积,减少边缘细节信息的丢失;其次将金字塔池化模型合并到残差网络的每个残差块中,提高网络对不同大小斑块的特征提取能力。最后将残差网络的底层残差块替换为多头自注意力（Multi Head Self Attention,MHSA）,增强网络特征学习能力,捕获数据和特征内部的相关性。将所提特征提取网络结合Retinanet,对易损斑块进行识别。实验结果表明,相比基于残差的Retinanet在m AP上提升了2.8个百分点。4)颅内动脉斑块辅助诊断软件的设计;软件的整体流程包括图像去噪、图像增强、病变区域分割和病灶类型识别。首先通过第三章预先训练好的模型,分割出病变区域,帮助医生快速定位斑块;其次,使用第四章预先训练好模型识别分割后的斑块,确定病变类型,辅助医生快速掌握病人病情,合理安排后续的治疗手段。