大脑是人体的重要器官，许多基于大脑（磁共振）图像的研究为临床疾病诊断提供了重要的依据。但是如何精确地对脑图进行分割，以及如何找寻脑部生物标记以辅助早期疾病诊断，仍旧是当前医学广泛关注且亟待解决的问题。本文就此讨论了医学磁共振（MR）脑图像处理中的数学模型以及根据脑图信息进行疾病早期预判的方法，主要包括磁共振脑图分割和早期帕金森(PD)病症预诊两个方面。本文的主要结果有以下三部分构成:　　1.基于相关向量回归(RVR)进行偏移场拟合的脑图分割　　MR脑图影像中存在的偏移场，使得脑图中同一种物质的灰度值差异显著，从而基于灰度值的分割模型将不能得到正确的分割。为了解决这个问题，其中一类方法是在分割模型中融合以基函数的线性组合形式来拟合的偏移场。不同的基函数及其个数选择，最后形成的偏移场的形式有所不同，分割的精度也因此不同。但是这类方法中，作者通常都人为指定基函数组合的个数，这将不利于偏移场的最优基函数表示。为此，我们提出了一个基于RVR的偏移场拟合方法，从而准确分割大脑图像。这种基于RVR的方法能够自动地确定基函数的最优组合以及对应的最优系数，再结合空间约束的模糊C-均值(SCFCM)分割方法，在模拟数据上得到的实验结果充分体现出所提方法的有效性。　　2.一种能够同时处理偏移场估计，降噪以及图像分割的非局部（nonlocal）能量泛函极小化方法　　在图像分割中使用最广泛的方法是基于区域的方法，这种方法对感兴趣区域的图像灰度一致性要求比较高。但在MR脑图中，偏移场，噪声以及丰富的结构的存在会导致分割效果不好。最近李春明等人提出一种基于局部区域一致性(CLIC)的方法以处理图像中的偏移场。但是在存在噪声的情况下，全变差（TV）的使用，并不能在减轻噪声的影响同时还保持脑图结构信息，尤其是在大噪声下，其分割效果较差，图像仍残留较多的噪声。为此，我们结合CLIC和Nonlocal各自的优势，提出一种改进的方法，使得最优化该能量泛函时即可达到偏移场估计，噪声去除以及精确分割的目的，同时还能够保持良好的结构。在最优化过程中，我们采用了Split Bregman算法，加速了能量泛函的优化过程。为了解决nonlocal权重的高度运算复杂性，我们结合Matlab和C混合编程，大大加速了整个算法的迭代过程。基于模拟图像和真实图像的实验结果表明，我们所提算法确实体现了前面所述优点。　　3.基于模式识别方法的早期PD病症诊断　　医学图像分割的目的就是为了通过图像分析，获取生物标记或者指标，以辅助医生实现病症的早期的诊断和判别。针对早期PD病症诊断问题，我们结合磁共振影像(MRI)和功能磁共振影像(fMRI)获取的结构和功能信息，配准到生物学模板，提取出各位置的生物指标，组合成生物特征向量，运用降维方法（两样本t检验和主成分分析方法），降低输入向量的维度，结合分类器（支持向量机和相关向量机），用留一交叉法交叉验证模型参数，对两样本t检验对应的结果进行反向寻踪，确定出生物学标记。这套方法在早期PD病症诊断方面为首次实施应用。实验结果表明，我们的方案可以得到良好的分类精度。