随着人们生活水平的提高,肺癌已成为威胁人类健康和死亡率最高的癌症之一。因此,对肺癌的早期检测有利于提高肺癌患者的存活率。然而,由于医学CT图像数据量大,若仅仅依赖医生的主观诊断,再加上长时间的工作引起的疲劳或其他因素,往往会导致误诊或漏诊的情况发生。因此,我们需要全自动的检测肺部疾病的方法,以提高医生的诊断速度和准确性,降低工作强度,而进行准确的肺实质和肺部ROI分割是进行后续处理的前提。肺实质的精确分割是进行肺部CT图像分析和检测肺部疾病的前提,因此本文首先提出了肺实质精确分割方法。通过基于自适应Otsu的二值化方法对肺部CT图像进行粗分割,初步将肺实质与其他组织结构分离;运用掩膜图像对肺实质进行粗提取,从肺部CT图像中提取出肺实质;基于三维区域生长的气管去除方法将灰度值与肺实质区域相近的气管树从初始肺实质中分离,自适应的阈值选取有效地避免了过分割现象;基于行扫描和Shi-Tomasi角点检测的左右肺区分离,快速准确地找出粘连区域的特征点,连接特征点形成线段,完成分离;基于自适应二叉树算法的快速肺轮廓修复,由于部分疾病会导致肺实质轮廓出现凹陷情况,因此本文采用并行的手段,自适应地修复了缺陷区域,却有效保留了肺实质轮廓的正常凹陷。本文提出基于贝叶斯分类的ROI分割算法,应用EM算法得到的高斯混合模型的最优参数计算图像像素点的后验概率,基于。贝叶斯定理分类ROI区域和背景区域。并且应用了自适应迭代阈值法进行高斯混合模型的参数初始化,为的是避免迭代次数增加,防止EM算法对初始参数的敏感,造成局部最优。本文给出基于EM算法的贝叶斯分类方法获取ROI的分割结果,并对不同的子图大小的分割结果进行了分析。同时,根据肺实质图像灰度直方图和自适应迭代阈值法迭代的结果验证了 GMM的合理性,并且根据EM参数估计得到的高斯混合模型的最优分布与肺实质灰度直方图拟合情况显示EM迭代算法能够很好地拟合数据丢失的数据模型。