乳腺癌是导致女性癌症死亡的第二大病因,严重危害女性健康。超声成像具有无放射性、非侵入性和鉴别良恶性肿瘤的高精确性等优点,目前已作为X射线透视法的一种替代方法被广泛应用于乳腺癌早期诊断。为了给医生的临床诊断过程提供辅助,提高诊断的客观性和准确性,降低漏诊率,同时减少不必要的侵入性治疗,许多计算机辅助诊断(CAD)方法已被广泛应用于乳腺癌诊断过程中。在乳腺超声CAD系统中,乳腺肿瘤分割是其中最关键也是最困难的任务之一。为了提高CAD系统的客观性和准确性,较少操作者干预的自动分割方法是目前的研究热点。感兴趣区域自动精确定位和高效准确的分割方法是目前自动分割算法需要解决的两大难题。本文针对乳腺肿瘤自动分割的两个重要问题,对乳腺组织的解剖学结构及其超声回声特点进行了研究,建立图像空间位置和外观连通性模型,提出了一个肿瘤区域自动定位算法和一个在极大后验概率-马尔科夫随机场(MAP-MRF)分割框架下的融合先验知识约束的自动分割算法。主要内容包括以下两个方面:首先,本文针对目前几种自动定位感兴趣区域(ROI)的方法都依赖某些不灵活的强制性约束,并且不能有效地把肿瘤与低灰度干扰区域区分开等问题,提出了一种基于解剖学结构和位置约束的肿瘤全自动定位方法。该方法根据乳腺超声图像灰度分布自适应地选择全局参考点,采用Mean Shift算法局部迭代定位出种子点,成功地解决了自适应种子点获取问题。结合自动阈值分割结果和自动种子点就可以实现肿瘤区域的自动定位。其次,本文在自动定位肿瘤区域的基础上提出了一种全自动分割方法,该方法建立在MAP-MRF分割框架下,根据超声图像解剖学结构和回声特点,选择了灰度级分布、位置分别建立了外观模型和位置模型。实验表明该全自动分割方法能够有效地消除脂肪、伪影等干扰区对分割结果的影响,能够准确地定位到肿瘤边界。