医学图像分割是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础。所谓图像分割就是根据某种均匀性(或一致性)的原则将图像分成若干个有意义的部分,使得每部分都符合某种一致性的要求。图像分割在医学图像处理中具有十分重要的意义,比如三维可视化,计算机辅助外科手术以及放射治疗等医学应用都假设已经对图像进行了精确分割。在本实验室的肝脏灌注分析项目中,第一步就需要对肝脏进行精确分割。水平集方法是当今图像分割领域一种非常流行和被广泛应用的算法。它的基本思想是建立模型的能量函数,在模型内部控制力和外部图像力的共同作用下使曲线或曲面演化,并使该能量函数最小化,从而收敛到待分割区域的边缘。这样,图像数据、初始形状和目标轮廓就可以统一于一致的数学模型中。水平集方法的迭代演化过程不依赖具体参数,演化曲线或曲面可以隐式地表达为高维函数的零水平集,因此可以自动处理感兴趣区域的拓扑结构变化。但是水平集方法也有其缺点,经常出现欠分割、过分割和溢出现象。于是,对水平集算法进行改进来解决欠分割、过分割和溢出等问题就成为一项非常重要的课题。在这里,形状先验的知识得到应用,基于形状先验模型的水平集方法通过并入待分割区域的形状先验知识到可变形模型中,大大提高了分割的精度,成为当前可变形分割模型研究的热点。在传统的基于形状先验模型的分割中,往往要求先验形状必须有和目标物体一样的大小,角度和位置,否则用该先验形状引导的分割就会丧失精度。而本文提出的方法,先通过统计学方法得到一个初始的先验形状,再利用梯度下降法对初始先验形状进行了训练,使其能通过刚体变换调整到较好的大小,角度和位置,从而更好的指导分割,该方法在真实应用中拥有更好的实用性。除此之外,笔者还对该模型中的一些细节作了算法上的优化,达到提升速度,精度和鲁棒性的目的。本文的主要工作和创新点如下:1.将形状先验模型导入到传统的CV模型(一种基于水平集的分割方法),给出了其数值推导,并实现对MR图像序列中肝脏的分割。2.改进三次样条函数,使之在给出样本点的时候,能得到光滑且封闭的轮廓。并用统计学方法得到初始先验轮廓。3.利用Chamfering method, Feature Image和快速迭代的数值方法,大大提升算法速度。4.构造梯度下降法的度量值,完成初始先验模型和初始分割轮廓的刚体配准训练。从而使本文提出的模型更加符合实际应用的需要。