颅内动脉瘤是脑血管病的典型病症,破裂之后通常导致严重的神经系统后遗症并且可能致命。在临床上,三维飞行时间磁共振血管造影(3D time-of-flight MR angiography,3D TOF MRA)已被广泛用作脑动脉瘤的筛查方法。然而,在3D TOF MRA图像中通过观察检测未破裂的颅内动脉瘤对于放射科医生来说比较困难。卷积神经网络(Convolutional Neural Network,CNN)在医学图像分析领域已经有着广泛的应用,同时也表现出良好的性能。研究利用卷积神经网络的强大识别能力检测颅内动脉瘤,对于开发计算机辅助诊断(computer aided diagnosis,CAD)或计算机辅助检测(computer aided detection,CAD)系统具有重要的意义。本文提出了使用卷积神经网络对颅内动脉瘤进行检测的三种方法:(1)基于3D U-Net直接在3D TOF MRA数据中定位颅内动脉瘤;(2)使用2D CNN对血管的最大密度投影(maximal intensity projection,MIP)图像进行识别,判断血管上是否有动脉瘤;(3)使用3D CNN网络对血管的三维图像进行识别,判断血管上是否有动脉瘤。本文使用由协和医院提供的74位受检者脑部3D TOF MRA数据,在实验过程中,根据医生标注的动脉瘤信息,利用不同的数据处理方式,对三个方法分别构建数据集。在方法(1)中,建立了一个基于3D U-Net的定位网络,将规范化后的三维数据输入网络中,得到动脉瘤可能出现的边界框。在方法(2)和(3)中,首先提取了血管,然后使用包含血管的立方体块当作数据集。不同的是,在方法(2)中,由包含血管的立方体块生成了最大密度投影图像,以MIP图像当作网络的输入,而在方法(3)中,网络的输入为此段血管的三维图像。在(2)和(3)中使用平移操作,对训练数据集进行了扩充,预测时引入了投票机制以提高分类的准确性。研究结果表明,使用方法(1)在3D TOF MRA数据中能对大部分肿瘤进行粗定位。在方法(2)和方法(3)中将识别区域集中到血管本身后,使用CNN能较为准确地识别出血管上是否存在颅内动脉瘤。最后比较了方法(2)和(3)的优缺点,方法(2)能占用更少的计算资源,训练和预测的速度更快,而方法(3)能得到更为准确的识别结果。