颈动脉具有十分重要的生理作用,临床上一般通过比对颈动脉内中膜厚度（CIMT）是否处于标准范围来判断颈动脉斑块的产生与否。CIMT是指颈动脉血管腔内壁至血管外部与其他生理结构之间外壁的距离,通常采用血管超声进行检查。受限于超声成像的特点,血管超声往往会受到患者体位、血液流速以及医生从业经验等多方面因素的影响,而且超声图像本身会包含大量的噪声,在包含大量噪声的超声图像中准确分辨本就很难识别的血管内中膜,这是一个具有实际应用意义又富有挑战的课题。本文提出了一种使用全尺寸跳越连接和注意力机制的神经网络,该网络具有编码器-解码器结构,能够从包含大量噪声的颈部血管超声图像中对颈动脉内中膜进行精准分割。颈动脉超声图像分为横截面图像和纵切面图像,颈动脉在横截面图像中通常表现为不标准的圆形,而在纵切面图像中则为将图像分为上下两部分的黑色带状,血管内中膜在两种图像中均为分布在边界处的较难分辨的半透明区域,其像素分布与图像噪声类似。颈动脉内中膜精准分割的最大挑战是内中膜更容易受到特征丢失的影响,本文所提出的方法主要从两方面与特征丢失现象进行对抗,即特征保留和特征增强。特征保留即使用跳越连接,通过让网络深层获取更多的特征来对进行特征弥补;特征增强即使用注意力机制,让网络聚焦目标区域,从而让目标区域的特征在卷积过程中得到增强。残差网络中所使用的跳越连接能够缓解因网络深度过深而造成的梯度消失现象,能够让上层的特征更容易的流动到网络更深层,本文基于这一思想提出全尺寸跳越连接,编码器每一层均通过全尺寸跳越连接获得前置层的所有输出特征,进而最大程度上保留特征,同时,解码器从编码器获取特征块用以指导解码过程。除了进行特征弥补,本文还基于全尺寸的思想提出全尺寸注意力机制,解码器每一层均使用特征块与解码器更深层特征计算权重图,赋予目标区域更高的权重以对其进行增强。在上述理论和方法的支撑下,本文对颈动脉内中膜的精准分割和三维重建进行了细致的研究,并对所提出的分割模型和重建效果进行了严谨的实验论证,结果表明,本文所提出的方法能够在不同种类的超声图像中完成对多种颈部血管的精准分割,基于二维分割结果的重建效果也能够真实、高效地反映颈部血管的实际生理结构,进一步证明了本文所提出分割模型的先进性与可靠性。