本研究旨在探索基于深度学习利用非增强计算机断层扫描（non-contrast computed tomography, NCCT）图像分割重建脑动脉结构的可行性，并评估其潜在临床价值。

回顾性纳入两个卒中中心的配对NCCT和计算机断层扫描血管成像（computed tomography angiography, CTA）影像数据。以卒中中心-1的140例无大血管闭塞患者数据构建内部数据集，随机分为训练集（n=100）、内部验证集（n=20）和内部测试集（n=20），用于模型开发、调优与内部评估。卒中中心-2的20例数据作为独立的外部验证集。使用配准后的CTA自动分割结果作为参考标准。比较nnU-Net三维全分辨率网络（nnU-Net 3D full-resolution, nnU-Net 3D-fullres）、三维级联U-Net（3D cascade U-Net）及2D U-Net三种深度学习架构，模型性能以Dice相似系数（Dice similarity coefficient, DSC）、平均对称表面距离（average symmetric surface distance, ASSD）和95%豪斯多夫距离（95% Hausdorff distance, HD95）定量评估。

在三种模型中，nnU-Net 3D-fullres架构表现最优。其在内部验证集、内部测试集和外部验证集上均展现出稳定且优越的分割性能，DSC分别达到0.78±0.04、0.75±0.04和0.73±0.06，整体优于其他模型。相关评估指标（ASSD、HD95）的变化趋势与DSC一致。该模型能够在不同中心、不同扫描参数的独立数据上保持较好的泛化能力，成功从NCCT中分割出包括主干及远端分支在内的连续脑血管结构。

本研究成功构建并验证了基于深度学习的NCCT脑动脉分割模型，在不使用对比剂的条件下基于NCCT图像准确重建脑动脉解剖结构，该方法为急性缺血性脑卒中机械取栓术的路径规划提供了潜在影像学工具。

To evaluate the feasibility and clinical potential of deep learning–based cerebral artery reconstruction from non-contrast CT(NCCT).

Paired NCCT/CTA data from two stroke centers were retrospectively analyzed. An internal dataset of 140 patients without large vessel occlusion was split into training(n=100), validation(n=20),and test(n=20)sets, with 20 additional cases for external validation. CTA-derived segmentations served as reference.nnU-Net 3D-fullres, 3D cascade U-Net, and 2D U-Net were compared using DSC, ASSD, and HD95.

nnU-Net 3D-fullres achieved the best performance(DSC 0.78±0.04, 0.75±0.04, and 0.73±0.06 across validation, test, and external sets), with consistent trends in ASSD and HD95.

Deep learning enables accurate,contrast-free reconstruction of cerebral arteries from NCCT and may support path planning for mechanical thrombectomy.