近年来,心脏血管疾病已经成为威胁人类健康的第一大因素,具有患病率高、死亡率高等特点。随着医学水平的提升,临床上已经发展出许多心脏血管疾病诊断影像技术,这些影像可以帮助医生对疾病进行直观分析和诊断。其中多层螺旋CT血管造影技术(Computed Tomography Angiography,CTA)因其价格低、非介入式诊断成为冠心病最常用的早筛手段之一。目前CTA医学影像数据量增长飞速,但医学影像专家培养进程缓慢,仅依靠专家手动完成大规模CTA图像分割是极其繁琐困难的任务,如果能够实现自动分割将会给他们带来不同程度帮助。本文以冠状动脉CTA图像作为研究对象,从三维角度实现血管分割,研究工作主要分为以下四个部分:(1)设计一个分阶段式冠脉CTA图像分割的完整系统,首先利用自适应阈值的方法进行心脏区域预提取(Heart Extract,HE)完成血管粗分割,为深度学习网络提供良好的初始值。其次传统算法提取的心脏区域结合对应标签作为V-net网络的训练数据来实现精细的冠脉血管分割。最后优化阶段利用水平集函数(Level Set,LS)迭代平滑血管边缘轮廓,得到最终血管分割结果。(2)本文在血管粗分割阶段利用自适应阈值算法提取CTA图像中的心脏区域。因为CTA图像中冠状动脉分布不集中且本身的拓扑结构复杂,而且图像容易出现灰度不均匀、对比度低、不同组织间灰度的接近性等问题,使得CTA图像分割成为医学图像处理过程中的一大难题。本文结合冠脉CTA图像的特点在血管粗分割阶段提出了基于自适应阈值的方法预提取心脏区域,将冠脉血管分割在一个相对干净的区域。同时研究实现了几种传统血管分割的经典算法,并将血管粗分割阶段算法应用到传统算法上,对比分析了心脏区域预提取方法的有效性。(3)在血管精细分割阶段本文选取深度学习网络用于冠脉三维分割。为了实现冠脉血管的高精度自动分割,本文在研究深度学习用于语义分割的核心思想后,提出了一个基于深度学习的完整分割算法包括网络选取、网络改进以及训练测试方法。并将实验改进后的V-net网络分割结果与经典的全卷积神经网络(Fully Convolutional Network,FCN)的分割结果进行可视化对比。(4)本文在血管优化阶段利用水平集函数对网络分割结果进行后处理。针对网络预测的血管边缘轮廓模糊问题,本文加入水平集函数迭代优化网络预测结果的边缘轮廓,用来进一步提高血管分割结果的正确性和平滑性。本文所提出的方法与FCN的实验结果相比,Jaccard系数与Dice系数上分别提高了6.4%和8%。实验证明本文提出的方法具有良好的有效性和实用性,能够对冠脉CTA进行准确的三维分割,有助于冠心病的诊断和治疗,为医生提供辅助诊断的作用。