冠状动脉中心线的提取对心血管病的诊断和定量分析具有重要意义。但由于冠脉结构复杂、不同个体的分支结构差异较大,以及医学图像中存在噪声伪影等问题,目前的冠脉中心线提取算法中仍然存在一些不足之处,比如需要人工交互、图像预处理过程复杂、病变区域提取结果不理想和中心线分支难以提取等。针对上述问题,本文提出了一种结合卷积神经网络与循环神经网络的CCTA(Coronary Computed Tomography Angiography)图像冠脉中心线追踪方法。具体研究工作如下:(1)基于双路全卷积网络的冠脉中心线种子点检测。在冠脉中心线的追踪算法中,起始种子点的定位十分重要。但是现有的种子点检测方法中存在需要先验知识辅助、检测流程复杂以及检测效果不佳等问题。为此,本文提出一种自动检测冠脉中心线追踪起始种子点的方法,使用双路全卷积网络模型Deep Medic对冠脉中心线进行分割,在得到“欠分割”结果的基础上,将其中的离散点视为种子点。通过实验证明,分割结果中的离散点分布广泛且与参考中心线重合度高,符合作为种子点的标准。在对比实验中,使用Deep Medic网络分割的Dice系数为0.3003,而使用U-Net与V-Net的Dice系数分别为0.2176和0.2395,证明在使用Deep Medic网络时,种子点的检测效果优于对比方法。(2)基于卷积循环神经网络的冠脉中心线追踪。在当前的中心线追踪算法中,中心线体素点的确定往往只计算了当前区域内的局部特征,并未将更大范围的上下文信息考虑在内。因此我们设计结合了卷积神经网络与循环神经网络的中心线追踪网络模型,结合局部信息与全局信息来进行中心线的追踪,并基于概率熵值制定了追踪的停止条件。从Deep Medic网络检测的种子点开始逐点追踪,最终实现了完整冠脉中心线的提取。我们使用鹿特丹冠状动脉算法评价框架对本文所提方法进行了评估。结果表明,本文所提方法的整体重合度(Overlap,OV)、首次出现错误时的重合度(Overlap until first error,OF)、临床重要段的重合度(Overlap with the clinically relevant part of the vessel,OT)以及平均距离(Average inside accuracy metric,AI)四个指标分别达到了91.2%、78.9%、93.3%与0.24mm,并且只需要20s即可在测试图像中获得完整的冠脉中心线。与其它中心线提取方法相比,本文所提的方法在准确率、鲁棒性与时间性能上都较好的表现。