随着医学影像技术在临床医学中的广泛应用,头颈CT图像骨骼分割在医学影像处理中发挥着越来越重要的作用。使用高效的头颈CT图像骨骼分割算法自动地对头颈部骨结构定位、分割,对于骨科医生的临床医学诊断、制定骨科手术方案或是血管分析中的去骨操作都有重要意义。基于传统的医学图像处理方法在自动化和分割精度上都不够理想,目前基于深度学习的CT图像骨骼分割方法被广泛应用,而且全卷积3D U-Net网络在医学图像分割上表现出了较好的性能。然而头颈CT图像骨骼分割中数据集涉及的数据种类较多,不仅包含十种骨骼标签,还需要高效准确的分割骨骼和血管,语义信息复杂。使用3D U-Net网络会丢失部分特征信息,导致分割精度不够。提出使用3D Res Unet网络和3D U-Net++网络的粗分割和细分割结合的二阶段网络分割方法。粗分割阶段使用加入了残差卷积块的3D Res Unet网络用于分割十种骨骼,并且使用组归一化代替批归一化提升分割精度。细分割阶段解决粗分割阶段中不能正确分割头骨与血管的问题,使用粗分割阶段得到的头骨掩码,送入3D U-Net++网络中,精确分割头骨和血管。最后将粗分割结果和细分割结果结合得到最终的头颈CT图像的分割结果。使用多种模型评估方法对二阶段分割模型进行评估,并且将其与3D U-Net等网络进行对比,显示二阶段分割模型的分割效果更好。