弥散张量成像(Diffusion Tensor-Magnetic Resonance Imaging,DT-MRI)是近年来提出的一种新的磁共振成像(MRI)方法。分子的弥散运动即是分子的随机位移,但其位移非常小以致在常规MR成像技术中无法显示。弥散成像技术最早出现于20世纪80年代中期,通过双极磁场梯度脉冲对水分子的弥散运动效应进行编码以得到弥散加权磁共振(Diffusion Weighted-Magnetic ResonanceImaging,DW-MRI)图像。随后出现了弥散张量成像(DT-MRI),它根据不同分子弥散特性的不同,利用多个方向(至少6个方向)的弥散加权图像计算出每一个体素的弥散张量数据。利用DT-MRI可以提取分子弥散的各向异性特征,使得全面充分研究活体组织微细结构成为可能。DT-MRI最先成功应用于颅脑的神经纤维束追踪,它也在中风、多发性硬化症、精神分裂症等神经疾病的诊断上发挥着重要作用。因为弥散数据包含了被扫描颅脑组织内部结构固有的物理信息,DT-MRI能够提供有关颅脑组织结构和几何构形的独特数据,这是我们目前可以观察和研究活体脑白质微细结构的唯一途径,而常规MRI无法实现这一点,随之不久前出现了基于DT-MRI的图像分割。目前DT-MRI的图像分割大多是应用纤维束追踪算法结合主弥散方向数据方法以实现分割,而这类方法在遇到纤维束交叉点时可能出现被邻近纤维误导致分割错误的情形。本文发现,基于马尔可夫场(MRF)模型的DT-MRI图像分割算法能够充分利用图像的空间相关信息,能够实现对低信噪比DT-MRI图像进行分割。因为弥散张量场的特征值和特征向量具有旋转不变性,因此大多数研究者使用这类数据用于DT-MRI图像的分割。然而这类数据仅包含了体素坐标和主方向上弥散的物理信息,且对噪声敏感,稳定性差。因此本文选用弥散张量矩阵代替上述数据作为DT-MRI待分割图像的数据集。本文围绕着DT-MRI数据集的获取和分割算法进行了详细研究,具体编排如下:第一章介绍了DT-MRI的背景及意义,并对近几年文献中所提到的各类DT-MRI图像分割算法进行了分类综述。第二章阐述了DT-MRI的基本原理及相关概念,对几种常用的导出量进行详细的分析和讨论。最后归纳介绍了三种主要的DT-MRI图像可视化方法。第三章详细讨论了弥散张量的推导过程,完成了从DW-MRI数据到DT-MRI弥散张量矩阵及其导出量的计算,并实现了其导出量的二维可视化。第四章详细介绍马尔可夫随机场的基本理论及基于马尔可夫场分割算法的参数估计。第五章利用图像空间的相关信息作为先验知识,引入新的距离判别标准,基于马尔可夫场(MRF)模型,运用Gibbs场和最大后验概率(MAP)实现了一种DT-MRI图像分割的新算法。该算法稳健性好、收敛速度快,能够实现低信噪比DT-MRI图像的分割。