医学图像分割是对正常组织和病变组织进行定量分析、定性识别的基础,是计算机辅助诊断的关键步骤,因此要求很强的分割目标性和很高的分割准确性。然而,在临床应用中,由于医学图像本身的复杂性、多样性和各种不确定因素的影响,导致准确分割成为医学图像分析处理的难点。基于水平集主动轮廓模型的图像分割方法,既可以利用低层的图像信息,又可以结合高层的目标先验知识,因此在处理结构复杂多样的医学图像时,显示出其独特的优越性和广泛的适用性。本文以骨关节核磁共振图像(MRI)为研究对象,对基于水平集的几何主动轮廓分割算法提出了几点改进,并在骨关节正常骨骼和病灶分割实验中验证了改进模型的有效性。具体工作如下:(1)提出一种局部自适应的变分水平集模型。相对于Li的无需重新初始化的水平集模型,主要有两点改进:一是利用图像的局部特性自适应决定曲线的演化方向,能较好的解决初始化曲线跨越目标边界的分割问题;二是将全局Chan-Vese能量项局部化,改进边界停止函数,提高了对灰度分布重叠、分布不均匀问题处理的鲁棒性,增强了算法的适应性。最后结合医学序列图像特点,利用Heaviside函数对当前图像分割结果进行分段常量化后投射至相邻图像作为初始化曲线,实现对序列图像的自动分割。完成了对骨关节MRI序列图像中骨肿瘤目标的自动分割。(2)膝关节MRI图像结构复杂,各软组织之间对比度低,分界模糊,给关节软骨的分割带来了很大的难度,只利用低层图像信息的水平集方法往往难以得到较满意的分割结果。本文提出一种结合目标先验平均形状信息的水平集分割模型,利用点分布模型对目标样本轮廓进行先验形状归一化,将平均形状表示成水平集函数,在局部自适应轮廓模型的基础上,将形状信息融入到水平集的框架下,实现在迭代过程中对演化曲线的形变进行指导和约束。该算法提高了对弱边界的识别度,减弱了非目标轮廓的干扰,具有良好的抗噪能力。完成了对膝关节MRI软骨组织的初步分割。