1、隨著成像技術(shù)的不斷提高，醫(yī)學(xué)圖像在診斷中的作用越來(lái)越大。醫(yī)學(xué)圖像的處理也自然而然地成為當(dāng)下的一個(gè)熱點(diǎn)，分割更是其中的關(guān)鍵一環(huán)，它關(guān)系到診斷，配準(zhǔn)，重構(gòu)等諸多方面的效果。
　　由于醫(yī)學(xué)成像原理的復(fù)雜性與特殊性，傳統(tǒng)的分割技術(shù)不再適用于灰度不均勻的醫(yī)學(xué)圖像，人們開(kāi)始研究適用于這類圖像的分割方式。對(duì)于現(xiàn)代醫(yī)學(xué)圖像，除了準(zhǔn)確性和穩(wěn)定性，智能化也成為目前醫(yī)學(xué)圖像分割中的重要因素?；诖耍疚闹饕芯窟m應(yīng)現(xiàn)代醫(yī)學(xué)圖像特點(diǎn)的分割方法，主要工作如

2、下：
　　1.從醫(yī)學(xué)圖像的特殊性出發(fā)，總結(jié)了一些常見(jiàn)的和較為實(shí)用的分割方法，主要包括一些傳統(tǒng)且經(jīng)典的算法和近些年來(lái)被人們改進(jìn)較多的較實(shí)用的算法。前者雖簡(jiǎn)單適用性不強(qiáng)，但其思想是一直被學(xué)者們借鑒，后者雖不能處理醫(yī)學(xué)圖像，但近些年的很多研究都是在它們的基礎(chǔ)上的創(chuàng)新或融合。
　　2.介紹了水平集的C-V模型，針對(duì)其無(wú)法處理MR圖像的缺陷作了一系列改進(jìn)：在原有模型上引入偏移場(chǎng)，并用N個(gè)徑向基函數(shù)擬合該場(chǎng)，將像素點(diǎn)看作是偏移場(chǎng)和真實(shí)值

3、的乘積。基于上面的思想，我們提出了基于灰度不均勻場(chǎng)的C-V模型，該模型在最小化能量函數(shù)的過(guò)程中增加了求解偏場(chǎng)系數(shù)的步驟。它汲取了C-V模型簡(jiǎn)單，收斂快的優(yōu)點(diǎn)，更重要的是能夠適用于MR圖像的分割。
　　3.詳細(xì)研究了一種基于局部區(qū)域的灰度不均勻場(chǎng)水平集分割算法。我們?cè)敿?xì)分析了MR圖像中的局部區(qū)域的特性，并在第三章算法的基礎(chǔ)上引入局部區(qū)域，充分利用這些特性。同時(shí)拋棄擬合偏移場(chǎng)的方式而改用直接估計(jì)的方式，這樣就使得對(duì)偏場(chǎng)的估計(jì)和矯正更加