肿瘤是常见的危害人类健康的恶性疾病之一。对于尚未广泛转移的肿瘤患者,目前普遍采用的是基于图像引导的放射疗法。这种疗法需要依据患者的断层图像来定位肿瘤边界和危及器官,并据此计算患者体内的放射剂量分布,制定放疗计划。目前,医院在制定放疗计划时普遍采用手工勾画的方式来确定放疗靶区。医生需要逐层筛查病人的断层图像,并用专业的放疗计划软件勾画出所有图像序列中的肿瘤轮廓。在勾画过程中,医生既要保证病灶靶区的准确勾画,又要尽量规避正常组织和重要器官。然而,手工勾画存在诸多弊端：一方面,由于病人的图像往往多达上百个断层,肿瘤也可能转移至若干处,这直接导致医生的筛查过程非常耗时；另一方面,某些类型的肿瘤在图像中(例如,鼻咽部肿瘤的CT图像)边界并不明显,医生在勾画此类图像时,需要结合肿瘤生长造成的解剖结构变化来勾勒大致的肿瘤边缘。即使对于具有良好的解剖知识的临床医师而言也需要反复揣摩,仔细推敲。由此可见,手工勾画过程枯燥、困难耗时,并带有一定的主观性,重复性差。研究肿瘤图像的自动/半自动分割方法,为肿瘤靶区的勾画提供快捷、且重复性较高的方案,成为图像引导放疗技术领域的一个重要研究分支。传统的医学图像分割方法有基于阈值和区域生长这类简单的图像分割方法,也有基于统计形状模型(ASM)和图割(Graph Cut)这类较复杂的分割方法。然而,这些传统的医学图像分割方法往往是基于个体的单模态图像。近些年来,多模态图像已经被广泛的引入到临床诊疗当中,这也为多模态图像分割方法的研究提供了应用基础和发展机遇。由于单模态图像能提供的诊疗信息非常有限,传统的简单分割方法难以满足高精度的临床需求,而多模态图像能够提供病人病灶及周边的更多信息,且不同模态的信息存在一定的互补作用,因此,利用多模态图像,理论上可以达成目标区域的更精确分割。然而,即使采用多模态图像指导分割,肿瘤图像的分割依然具有挑战性。这是因为肿瘤产生和生长的病理过程不可预测,肿瘤形状无规律,边界不规则,甚至肿瘤内部出现灰度不均一的情况,同时也存在图像采集过程中引入噪声等因素。这些因素使得设计一套完全自动的分割方法非常困难。事实上,将某些的传统分割方法做一些改进,并依据实际情况组合应用是提高多模态图像分割精度的重要策略。本文选择基于多模态MR图像的脑肿瘤分割和基于PETtCT的鼻咽部肿瘤分割作为多模态图像分割研究的切入点,主要做了以下工作：(1)对于多模态MR图像的脑肿瘤分割问题,提出了结合群体和个体特征的多模态MR图像分割方法。通过对多模态图像进行多尺度Gabor小波变换,以及不同模态间图像的运算,强化了多模态肿瘤图像在特征空间的表达。分别构建了群体和个体特征：将训练集所有肿瘤轮廓及周边组织分别作为正负样本；通过手工交互选取少量待分割图像中的正负样本。依据群体和个体正负样本提取图像特征,并将图像特征利用CFML方法映射到新的距离测度空间,在优化后的距离测度空间利用AdaBoost方法训练出分类器。对待分割图像的预测结果用于构造图割算法的代价函数,并求得最终分割结果。通过遍历群体和个体信息的权重,比较最终的分割结果就可以得到群体和个体信息最佳权重。结果表明,分割过程中同时引入多模态信息和群体特征能显著改善算法的鲁棒性。(2)针对基于PET/CT图像的鼻咽部肿瘤分割问题,本文首先对FDG-PET/CT和Choline-PET/CT对鼻咽部肿瘤的显影效果进行了定性和定量的分析。结果显示相较于FDG-PET/CT, Choline-PET/CT对于鼻咽部肿瘤对肿瘤靶区勾画具有更明显的作用,特别是对于发生颅底侵犯的鼻咽部肿瘤。鉴于11C-Choline示踪剂制作复杂、成本较高,临床上普遍采用FDG-PET/CT作为鼻咽部肿瘤的一种常规检查方式,相应的图像数据也更容易获得。本文后续主要研究了基于FDG-PET/CT的多模态鼻咽部肿瘤图像联合分割。针对鼻咽部肿瘤出现颅底侵犯时,FDG-PET/CT图像的分割结果容易出现分割溢出的现象,提出了用位置分布图(Location Distribution Map)来约束分割结果的方法。分别利用支持向量机(SVM)和局部线性表达分类(LLRC)作为分割框架核心,将这个约束添加到多模态分割框架中,实验取得了一些正面的初步结果。后续工作(包括分割框架的完善和不同方法分割效果的评估)还有待进一步完善。