脑卒中是常见的心脑血管疾病之一,其发病率、死亡率、复发率均高居不下。主要病因在于颈动脉血管内部粥样物质长时间堆积,最后脱落造成血管堵塞。早期发现动脉硬化狭窄及高危斑块,并及时采取干预措施,可以有效延缓病变进程。本文采用深度学习技术,对头颈部CTA影像中的颈动脉血管及斑块组织进行精准分割,评估颈动脉狭窄程度,并对斑块性质进行分类,以辅助医生诊断。本文主要研究内容如下:（1）基于残差、挤压-激励及空洞卷积池化金字塔模块的nn UNet的网络结构优化。从实现机理、推理流程和网络结构等角度介绍了nn UNet,针对其底层网络中感受野不足及无法提取多尺度信息的缺点,通过引入残差模块、挤压-激励模块和空洞空间卷积池化金字塔进行网络结构优化,并在脑肿瘤数据集进行分割验证。（2）基于图像处理的nn UNet分割算法优化。根据CTA颈动脉斑块影像的特有性质,针对nn UNet的分割流程进行优化。在预处理环节引入图像去噪、无关组织去除及更广泛的数据增强策略,以保证输入数据的质量和多样性;在损失函数中引入专注学习困难样本的Top K损失;在启发式规则中修改nn UNet网络的下采样规则,以扩大底层的特征图尺寸并保留更多特征;在后处理中采用基于八连通域的孤立点去除和基于拓扑细化法的断裂血管重接。在颈动脉血管和斑块分割上分别得到了0.9400和0.7454的DICE系数,并通过消融实验证明了所有优化的有效性。同时使用Bland-Altman一致性分析验证了分割结果与金标准的高度一致性,最后对血管狭窄度进行了计算。（3）斑块分类算法:针对颈动脉粥样硬化斑块,分别采用影像组学和深度学习的方法进行斑块性质分类。在影像组学中,特征提取后分别采用基于正负样本距离、递归特征消除法和随机森林三种方法进行特征权重的计算和筛选,并选用包括最近邻、极限树在内的六种分类器进行分类,通过T分布随机近邻嵌入图对数据扩增的效果进行分析;在深度学习中,采用res Net系列网络进行3D样本分类,并提出在小尺寸影像数据下使用深层网络会损害分类精度,因此设计结合挤压-激励模块的浅层3D分类神经网络,为医生评估斑块风险提供参考。（4）医学影像可视化工具的设计与实现:设计了医学影像可视化工具,对颈动脉斑块数据进行二维及三维可视化,支持对血管斑块进行实时分割预测,对颈动脉分割结果进行狭窄度测量,以及对斑块进行成分分类。