医学影像分割是计算机辅助诊断和治疗计划制订中一项非常重要的工作,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。近年来随着医学影像获取技术的不断提高,图像的质量越来越好,分辨率越来越高,细节越来越复杂,使得传统分割算法所需要的时间越来越多,通用性也越来越差。如何高效而又精确的在图像中分割出感兴趣的器官成为国际上一个重要且前沿的研究课题。据世界卫生组织统计,心血管疾病已经成为全世界造成人类非意外死亡的第一大杀手。因此,对心血管疾病的早期诊断和治疗变得非常重要。近年来,国际上出现了许多针对人类心脏中某些解剖结构的分割算法,最为常见的便是针对心房、心室的分割。但是对于计算机辅助诊断、治疗和医生的实际需要,常常需要将整个心脏分割出来。这项工作非常具有挑战性,一方面心脏的解剖结构非常复杂,包含心房、心室、冠状动脉、血管、心包以及瓣膜等结构;另一方面心脏的持续跳动使获得医学影像具有变化的相位特性,难以定位和分割。由于医学影像的成像原理,心房、心室在医学影像中非常明显,很容易识别和分割;而心肌等结构则与周围组织在图像灰度上非常接近,并且存在粘连,从而造成了分割的困难。国际上全心脏分割算法还比较少,也比较不成熟,本课题就是致力于对各种常用分割算法进行分析和调研,研究出一个有效的分割算法,将其应用在全心脏分割中实现对整个心脏的完全分割和心脏组织结构包括心房心室和心肌的自分割,满足计算机辅助诊断、治疗和医生的临床需求,具有很大的科研和临床意义。本文的主要工作和创新点如下:1.介绍国际上常用的医学图像分割算法的研究现状,并着重介绍了基于期望最大化算法(EM Method)和基于水平集方法(Level Set Method)的分割算法。2.根据医学图像分割的特点,对期望最大化算法进行改进和优化,并与原始的期望最大化算法做了对比和评价,使之能更好的实现心脏分割这一研究目标。3.提出了基于改进的期望最大化算法和带形状先验模型的水平集方法的混合分割模型,结合了它们各自的优势,并将其应用在医学图像分割,特别是心脏分割领域中。4.实现人体心脏CT和MRI图像的全分割和自解剖结构的分割。在全心脏分割这一分割领域内的难点上,我们提出了使用基于优化的期望最大化算法和带形状先验模型的水平集混合模型,对心脏的CT和MRI图像进行分割。通过在多组试验数据上的大量实验,结合对算法参数的讨论和与金标准的对比分析,并与其他分割方法做了试验对比和评价,验证了算法的鲁棒性和精确性,确定了本方法的临床应用价值。