近年来,随着医疗技术水平的提升、新生儿重症监护病房(NICU)的普及,高危儿和极低体重儿的生存率大幅度提升,婴幼儿脑部疾病的发生率显现上升趋势。而婴幼儿期(这里指0～2岁)是大脑发育的关键时期,是脑发育的基础,其影响会一直延续到成年时期,对此时期的脑发育进行有效地分析具有极其重要的意义,所以婴幼儿脑分割与处理算法扮演着重要角色。脑图像的分割对于脑组织病变检测和诊断有重要的医学意义。临床对脑疾病的检测与分析多采用核磁共振成像(MRI)技术,由于其具有对软组织对比度高,能够多方向切层、多参数成像、非侵入式成像等优点,因此被广泛的应用于临床诊断。同时由于MR设备,脑组织差异性和脑组织的容积效应等影响,使得图像的灰度均匀性变差,即附加的偏移场,因此图像的偏移场处理对于图像的准确分割也至关重要。本文首先对临床获得的脑MR图像去偏移场,然后以图割算法框架为基础,提出一些改进的图割分割算法。本文的主要研究内容如下:(1)基于粗糙集的脑MR图像去偏移场算法本文采用粗糙集理论对低通滤波算法进行改进。由于偏移场在图像中属于低频信号,本文采用经典的低通滤波器来滤除去移场,通过对滤波窗口的划分,形成下近似集合和边界集合,对于不同的集合窗口内的元素,给予不同的权重比例,可以有效的提高图像中边界区域以及边缘位置像素点计算偏移场的精确度,中心像素点一定邻域内的元素对于计算偏移场的贡献比窗口内其他元素大。改进后的算法可以更好的去除偏移场。(2)基于粗糙集的高斯混合模型MR图像分割算法对高斯混合模型进行研究,以最大后验概率(MAP)作为最优准则,引入隐马尔科夫算法中空间信息的GMM先验模型到图割算法中,通过EM算法迭代求取最优均值和方差信息。本文提出对于高斯分布做踏平处理,踏平区域和非踏平区域结合粗糙集理论,踏平区域为下近似集合,属于该类的隶属度为固定值,而非踏平区域为边界集合,采用原始隶属度计算方法获得。该方法的初始分割对于后期的迭代也有一定影响,为得到更好的初始分割参数,使用改进后的k-means算法分割,最后整个算法得到了较好的分割结果。(3)基于改进的学生t分布脑图像分割算法为了改善高斯分布轻尾部特性在估计分量均值和协方差矩阵时,非典型样本和噪声对最终的估计结果的影响,采用学生t分布混合模型取代高斯混合模型。学生t分布(Student’s-t distribution)的重尾特性,能在有效提高算法抗噪性。通过对数变换将偏移场转换为加性,实现偏移场矫正与分割的结合,利用梯度下降法拟合模型参数和偏移场数值,使用最大后验概率确定标号场,得到较好的去除偏移场和分割。