心血管疾病(Cardio Vascular Disease,CVD)是当前威胁人类身体健康的主要疾病之一。利用心脏影像检查技术,定性和定量的分析心脏的运动,对有效诊断CVD有重要帮助。在各种心脏影像检查技术中,带标记(Tag)线的核磁共振图像(Magnetic Resonance Imaging,MRI)以其成像参数多、对人体无侵入影响等优点得到人们的关注。对心脏MRI的准确分割,能够为进一步的心脏运动分析提供大量信息,有助于研究心脏解剖结构,定量分析心脏病因病理,做出有效诊断。同时,对2维序列的心脏MRI分割,也是心脏三维运动重建的必须步骤。因此目前国内外大量的研究工作集中于心脏MRI的分割上。 活动轮廓模型(Active Contour Model)基于变分方法和泛函极值理论,在各个领域的图像分割问题上都占有重要地位,目前,活动轮廓模型也是处理医学图像分割问题的主要工具。针对活动轮廓模型在心脏MRI分割、心脏运动重建问题上的更好应用。学者们进行了大量研究工作。常用的活动轮廓模型主要包括参数活动轮廓模型和几何活动轮廓模型。参数活动轮廓模型由Kass等人提出,通过在图像感兴趣区域(Region of Interest,ROI)附近最小化样条曲线的能量函数,达到检测目标边界的目的。参数活动轮廓模型虽然在医学图像处理上得到了成功应用,但同时具有很多缺点,主要表现为局部性和拓扑不可改变性,针对这些缺点,一些学者对参数活动轮廓模型做出了一定的改进,本文简要介绍了这方面的工作。 针对参数活动轮廓模型的缺点,学者们提出了水平集模型。水平集方法自然的做到了能够处理活动曲线演化过程中拓扑结构的变化。在心脏MRI图像处理中,传统的水平集方法仅仅使用了图像边缘梯度信息,受到图像弱边界,强结构噪音,以及心脏MRI标记线(Tag)的影响,得不到正确的结果。本文针对这一问题,将图像的全局灰度K均值聚类信息引入水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像。对左心室MR图像的分割实验表明该方法具有良好的分割效果。 目前,活动轮廓模型大多需要进行人工初始化,即将初始曲线人工设定在ROI区域附近,特别是参数轮廓模型,初始曲线要求非常靠近于目标边界,且不能处于强噪音区域中。在心脏MRI分割应用中,人工初始化方法显然浪费了大量时间,而且分割结果也很大程度上受到人工初始化的影响。为此,针对心脏MRI左心室内壁的分割,给出一种多指标FCM算法,在该算法基础上自动定位左心室区域,构造