肺栓塞疾病对患者的生命安全和身体健康造成了极大的威胁,利用计算机对该类疾病进行辅助诊断能极大提高医生的诊断效率,对疾病的成功治疗具有重要意义;计算机断层扫描(computed tomography,CT)图像是肺栓塞诊断的“金标准”,如何从CT图像序列中将肺动脉目标分割出来,如何对肺动脉序列求取立体模型的容积,这两个问题的成功解决是实现计算机辅助诊断的关键。本文以胸部CT数据为研究对象,开展了CT图像肺动脉分割和容积计算的方法研究;主要内容有以下三个方面:(1)在CT图像预处理方面,研究了基于自适应窗位和窗宽的CT数据转换方法和基于Hessian矩阵的肺动脉与上腔静脉分离方法。CT图像灰度值由CT值转换而来,但传统转换方法得出的图像可能存在目标不明显、对比度低的问题;针对该问题,本文利用CT值概率分布函数和概率变化率函数自动选取出CT数据的窗位和窗宽,并利用这两个值构造出新的映射关系,以完成从CT数据到图像的转换。另外,在CT图像中,肺动脉目标往往会与上腔静脉相连,这会影响到目标的分割;对此,本文利用Hessian矩阵特征值、特征向量与图像结构之间的关系构造出曲线结构的掩膜,并将其映射到原图中实现目标与上腔静脉的分离。实验结果表明:本文图像转换方法得出的CT图像目标清晰、对比度高;基于Hessian矩阵的肺动脉与上腔静脉分离方法能成功实现目标与背景的分离。(2)在CT图像肺动脉分割方面,针对传统主动轮廓模型不能适应图像序列中目标数量改变和形态变化的问题,从单张图像的角度提出了GVF-CV模型和基于自适应种子点的区域生长法,从整体图像序列的角度提出了基于边缘跟踪的肺动脉树分割方法。其中,GVF-CV模型通过引入感兴趣区域来限制目标边缘检测的范围,降低了误检率,在此基础上进行水平集演化,以便适应多目标的检测和分割;基于自适应种子点的区域生长法通过GVF场与轮廓的关系确定出种子点的筛选条件,利用提出的基于径向函数的肺动脉形态变化检测方法验证了选取出的种子点的有效性,之后基于该种子点补全目标的残缺部分;基于边缘跟踪的肺动脉树分割方法以上述方法为核心,确定了各层初始轮廓集的选取方法和噪声点的剔除准则。利用多组临床实际扫描所得数据进行实验验证,结果表明:本文提出的方法分割精度优于传统方法,更适用于肺动脉的分割。(3)在肺动脉容积计算方面,针对传统的像素统计法和体素累积法不能精确得出肺动脉容积的缺陷,本文提出了改进的体素累积法。算法细分了位于重建出的立体目标表面的体素类型,确定了各类体素的判定条件;并推导出了各类体素的有效体积值,建立了体积索引表;并基于此提出了肺动脉容积计算的总体流程。本文以分割出的肺动脉目标序列作为实验对象对算法进行了有效性分析,实验结果表明:本文算法与传统方法相比误差较小,更适用于肺动脉的容积计算。最后,通过肺栓塞病情评价实验证明了本文算法在辅助医生诊疗方面所具有的重要意义。