主动脉夹层(aortic dissection,AD)是一类高危的主动脉血管疾病,致死率较高,其病理特征为主动脉内壁部分撕裂,使得血液从撕裂口进入将血管分成两部分,即真腔和假腔。主动脉夹层的主要治疗手段为腔内修复术,通过带膜支架封堵夹层撕裂口实现真腔重塑。主动脉夹层术前诊断规划及术后治疗需要客观量化结构参数、精准定位撕裂内膜和撕裂口位置等过程。CT图像主动脉夹层的分割对于术前诊断、手术规划以及术后修复等具有重要的指导意义,但是手动分割是一项需花费大量人力、时间成本的工作,同时人为主观性也将影响诊断精准度。因此,自动、准确地分割主动脉夹层图像已经成为计算机辅助诊断与治疗的重要话题。本文研究了基于深度学习的主动脉夹层分割提取的方法,实现了主动脉区域和撕裂内膜的完整直观显示,主要研究工作如下:1、根据主动脉夹层的灰度分布建立分段参数化模型;基于线性卡尔曼滤波算法估计主动脉段之间位置关系,增量迭代式地实现主动脉完整分割;为提高算法自动化程度并实现撕裂内膜部分分割,本文设计了多种子点三维区域增长和形态学运算相结合的算法实现撕裂内膜部分分割。经实验验证,该方案适用于低精度需求场景并为后续主动脉夹层准确分割算法的研究奠定了基础。2、本文重点研究了不同二维全卷积网络在主动脉区域和撕裂内膜部分的分割精度;分析了二维全卷积网络的不足及局限性,即对形状位置敏感和无法利用三维图像层之间空间关系引导学习,并针对上述两点提出改进方案。最后通过实验验证了全卷积网络的有效性及改进方向的正确性。3、为解决前期研究中主动脉夹层分割精度低、分割结果不连续性以及形状位置敏感的情况,本文设计了一种多阶段CT图像主动脉夹层精准分割的新方案。首先,基于参数化建模方案估计的位置参数构建中心线;然后基于多平面重建算法完成主动脉拉直重建实现主动脉的位置形状归一化;最后设计了一种三维全卷积网络MPRNet,用于提高三维空间内主动脉夹层分割结果的准确性和连续性。该方法相对于已有算法性能有显著优势,实现了主动脉区域和撕裂内膜的精准分割。