随着医学图像成像技术的发展,越来越多的高清晰度医学成像仪器如核磁共振成像仪等开始广泛应用于临床诊断之中,这为医生进行更准确的诊断提供了极大的便利,然而日益增多的临床医学图像也使得医生读片负担变得沉重。因此研究基于医学图像的计算机辅助诊断系统是解决这个问题的有效途径。颅脑占位性病变如脑出血和脑肿瘤等是临床中常见的疾病,如何通过医学图像处理技术,构建辅助诊断系统实现病变的自动检出是一项极具临床意义以及具有挑战性的研究工作。通过图像分割、配准和创建正常人的数字人脑图谱,然后建立基于脑图谱的推理系统是一种可行的研究方案。在医学图像的处理技术中,组织分割是一种基础的处理技术,分割结果的优劣直接影响到后续处理的效果,因此组织分割技术一直是医学图像处理的研究重点之一。由于图像分割针对的对象、给定的初始条件以及图像内容具有多样性和复杂性,完全自动的分割方法在很多情况下并不能给出令人满意的结果,而基于用户交互的分割方法因为有操作者的参与,给定更精确的初始参数或修正参数,因此可以得到更为精确的结果。随机游走分割算法就是基于交互的半自动分割算法,由于具有弱边界识别能力强、易于扩展到3D图像处理等特点而受到重视。本文从理论上对随机游走算法进行深入的研究,理解和分析了随机游走分割算法的理论特性和实验特性,并且分析了随机游走算法与其他相关算法和理论的关系。在此基础之上改进了原算法的权重计算和表示方式,通过引入局部图像灰度离散度信息,同时结合相邻像素的灰度变化信息来表示权重,使得算法对于目标内容以及目标边界具有更强的边界识别能力。同时本文给出了两种局部图像灰度离散度的计算方法:基于局部熵的计算方法以及基于LBP的计算方法。原算法在进行目标分类时,仅是依据像素点相对于各类标记点的隶属度大小进行分类,这样的处理方式计算简单,但是由于没有考虑到目标和背景在隶属度上的差别,常出现判别错误。本文构建了一种基于Fisher线性判别法的最佳阈值选取方法,通过计算分类的最佳阈值,减少由于判别错误引起的重新标记与计算。由于所处理的数据量大,医学图像处理算法的时间复杂度普遍很高,这使得很多处理方法难以应用于临床医疗。GPU技术的迅速发展使得它具备强大的数值运算能力,适合于计算密集型的应用。本文对算法进行基于CUDA模型的GPU加速,并且通过实验对GPU的加速性能进行分析,为CUDA应用于临床医学图像处理进行了有益的探讨和尝试。