脑血管精准分割是进行脑血管疾病定量诊断和分析的重要前提，也是脑血管相关的神经外科手术导航的关键步骤，对于理解脑血管疾病的发病机制、术前诊断和术中治疗具有重要意义。本文以时间飞跃法-磁共振血管造影 (Time of Flight-Magnetic Resonance Angiography, TOF-MRA) 为研究数据，从模型驱动的统计方法以及数据驱动的半监督深度学习方法两方面对脑血管分割进行了深入研究。

当前脑血管分割方法主要可分为模型驱动和数据驱动两大类，前者主要包括统计模型为主的数学建模方法，后者则由深度学习方法组成。一方面，尽管统计模型在脑血管分割任务上取得了充分的进展，但由于来自不同站点、成像设备以及扫描参数的图像之间存在较大差异，因此难以设计通用的统计模型对数据分布进行准确的建模。此外，脑血管的极小占比和稀疏分布也对参数估计带来了困难，限制了这类方法的准确性和泛化性；另一方面，尽管深度学习在医学图像处理领域取得了显著进步，但在脑血管分割任务中始终面临着高质量标注数据不足的问题，限制了分割精度的提升，以及向不同站点、不同扫描参数和不同物种图像泛化的能力。

针对上述问题，本文从统计模型驱动和数据驱动的脑血管分割两方面展开研究，主要工作内容和创新点如下：

1. 提出了一种基于统计模型的脑血管分割方法FFCM-MRF。该方法首先利用快速模糊C均值聚类（FFCM）进行脑血管的初始分割，FFCM不仅高效准确，而且模型设计简单，参数估计过程不受脑血管稀疏分布的影响。考虑到脑血管的三维管状特性，进一步使用多尺度血管增强滤波方法，得到包含血管形状先验信息的血管增强图。然后将血管增强图嵌入到马尔可夫随机场（MRF）中，并结合空间邻域相似性约束，设计了一个新的MRF能量函数用于初始分割结果的优化。该过程不仅可以对FFCM的初始分割结果进行去噪，还可以进一步分割出更多的血管，增强血管的拓扑连通性。实验结果表明，FFCM-MRF在不同尺度和类别的数据集都展现出了较强的鲁棒性和泛化性，相比其他统计方法，FFCM-MRF具有更高的精度和更强的抗噪能力；相比深度学习方法，FFCM-MRF具有更高的效率和更强的泛化能力。
2. 提出了一种基于低质量标签优化和一致性正则化的半监督脑血管分割方法CL-MT。该方法综合有效利用少量的高质量标注数据和从FFCM-MRF分割得到的大量低质量标注数据进行高效鲁棒的学习。通过引入置信学习，CL-MT能够识别低质量标签中的错误标注体素得到误差图，依据标注误差图迭代式地优化低质量标签，从而为网络提供更准确的监督信号；一致性正则化策略则将一致性损失的计算限制在错误标注的体素区域，鼓励学生网络和教师网络在这些高不确定区域的预测趋向一致，从而学习到更鲁棒有效的特征表示。我们构建了包含人类和猕猴的多中心异质数据集，并从骨架网络、半监督策略、整体模型三方面进行了对比实验，实验结果表明该方法能够有效提高脑血管分割的精度和泛化能力，并且优于同类脑血管分割方法。

本文提出的模型驱动和数据驱动的TOF-MRA图像脑血管分割方法，实现了精准、高效的三维脑血管自动分割，有望辅助神经外科医生进行脑血管相关手术规划和脑血管疾病预防诊治。