颅内动脉瘤是一种典型的脑血管疾病,破裂后引起蛛网膜下出血,常导致高概率的死亡事件以及严重的神经系统后遗症。在临床上,飞行时间磁共振血管造影（Time of Flight Magnetic Resonance Angiography,TOF MRA）是常用的颅内动脉瘤成像方法。如何从TOF MRA图像中自动检测颅内动脉瘤,一直是研究的热点。传统的计算机辅助诊断算法可以帮助医生进行颅内动脉瘤检测,但并没有真正实现自动化,而且过于依赖特征算法设计者的领域知识。近年来,深度学习成为了医学领域的技术手段,已被尝试应用于颅内动脉瘤的自动检测。基于三维卷积神经网络的颅内动脉瘤检测方法直接将三维图像块作为网络的输入,能有效地利用三维数据的空间结构关系,取得很好的检测性能,但对样本数量和计算机性能要求过高。与传统的三维卷积神经网络方法相比,基于最大密度投影的策略可以一定程度上降低对样本数量和计算机性能的要求,并且不显著降低分类精度。受最大密度投影策略的启发,本文提出基于一维思维的颅内动脉瘤检测方法,该方法进一步从二维最大密度投影图像中生成一维投影向量,并建立一维卷积神经网络对三维TOF MRA数据进行分类。考虑到颅内动脉瘤附着在血管上,两者强度相近,且与三维TOF MRA图像中的其他组织相比强度差异较大,本文提出的方法首先依靠阈值从原始三维TOF MRA数据中检测血管;然后,将检测到的血管图像分割成多个感兴趣区域小块;对于每个感兴趣区域块,沿着九个方向计算得到最大密度投影图像,然后再根据像素累加投影方法对最大密度投影图像投影,得到相应的一维向量;同时建立一维卷积神经网络,输入一维向量得到考虑的感兴趣区域块中存在颅内动脉瘤的可能性。实验结果表明,在CPU和GPU训练的情况下,本文提出的方法的效率要比经典的基于最大密度投影的方法和基于三维卷积神经网络的方法平均高出2～5倍,而检测精度和敏感性几乎与后两者相同。该方法在不同投影数量和不同训练样本数量下都具有良好的鲁棒性和先进性,尤其是在数据较少或基于CPU的训练情况下。而且,该方法降低了输入数据的维数,对计算机性能和样本数量要求不高,容易在临床环境下实现。