脑血管疾病是一种常见且发病率和致死率较高的疾病。颅内动脉血管分析是治疗脑血管疾病例如脑出血、脑栓塞、脑血栓形成的关键技术,在自动化诊断系统中发挥着重要的作用。在分析患者颅内动脉血管成像时,血管的宽度、密度和曲率等形态学信息是评估和诊断的重要指标。因此通过自动提取和分割技术来获取血管的形态学信息是一项不可或缺的工作。但脑部血管的自动分割存在一定的困难,如图像分辨率低、血管宽度大小不一、图像亮度不一致、噪声干扰等因素,都会增加血管自动分割的难度。目前由于深度学习技术的成熟,大量研究表明基于深度学习的血管分割方法具有较好的准确度。而且基于深度学习的颅内动脉血管分割方法仅依赖数据和标签就可以自动学习到目标图像的特征,其操作简单,不但具有可重复性,还具有移植性和兼容性。然而,现有的基于深度学习的血管分割方法仍然存在问题,例如:卷积神经网络的感受野受限、模型的参数量较大、推理速度较慢、预测精度不够高、训练方法单一和小样本训练受限等。针对上述颅内血管分割面临的问题,本文提出以下解决措施:本文首先提出了基于单维度注意力的血管分割方法。对于目前卷积神经网络的感受野较小的问题,本文采取了自注意力和卷积神经网络结合的方法有效扩大感受野。通过设计自注意力编码模块来建立图像中特征之间的关系获取长距离依赖,以更好地学习特征上下文。然后基于提出的自注意力编码模块,设计了多重自注意力网络,其骨干是U型网络,在上采样和下采样之间内置了多个自注意力编码模块,提升模型的准确度。对于训练数据量较少的问题,本文设计了一种新的数据扩充方法,即通过马赛克置换的方式将原始图像中的目标块进行选择性地裁剪和拼接,通过算法构造出更多的训练样本,使得深度神经网络在学习目标时不拘泥于固定的背景。其次,本文还对上述单维度注意力方法进一步优化,提出了基于多维度注意力的血管分割方法。在上述方法的基础上,为了增加骨干网络对不同维度特征的学习,本文针对性地设计了通道及自注意力编码模块,和空间注意力上采样模块。并提出了基于自注意力、通道注意力和空间注意力的三重维度的深度学习模型。各项消融实验结果表明,多重注意力模型的组合效果是最优的。和目前已发表的最先进的研究方法相比,本文提出的多维度注意力模型在各项预测指标上均达到了最优。