脑血管疾病发病率和死亡率均较高,对人类的生命健康有很大的威胁,早期的诊断治疗,可以很好地遏制脑血管疾病的发展。精确的脑血管分割是脑血管疾病辅助诊断治疗的基础。因此,脑血管分割对脑血管疾病的辅助诊断具有重要的意义,对人类的生命健康也具有重要的意义。同时脑血管分割可以大大地减少医生阅片的工作量,还能为医生提供更丰富,更准确的疾病信息。因此,脑血管分割的研究一直是个经久不衰的热点问题。本文针对脑血管分割这个项目,主要完成了以下三个方面的研究。1.对医学图像分割算法中基础算法的研究。例如阈值分割方法(迭代自适应阈值法和大津自适应阈值法),区域生长分割方法,水平集分割方法,更好地掌握了图像分割的基础知识,为下文的提出模型和改进模型打下了基础。2.基于改进Hessian多尺度增强算法设计与实现。传统的Hessian多尺度增强算法,不单单会对脑血管进行增强,同时也会对与脑血管形状近似的鼻部软组织,孤立的噪声点和图像的边界进行增强。这些增强将会对后续的血管分割产生严重的影响,会干扰血管的分割结果,致使会在鼻部组织,边界处和孤立的噪声点处产生过分割,严重影响分割的精度。针对这个问题,本文提出了一种结合图像灰度信息的Hessian多尺度方法,在原有血管相似性函数中增添灰度因子项,通过灰度因子项对边界,鼻部软组织和孤立的噪声点产生减弱增强的效果。实验结果显示本文提出的改进Hessian多尺度滤波方法能够对于MRA脑血管数据能有效地降低鼻部组织,图像边界处的增强,同时也减少了由增强产生的孤立噪声点。对CT肺血管数据处理,可以有效减少孤立噪声点,图像边界增强效果,脑脊液和脑灰质边界的增强效果。3.基于管状特征的MRA模糊C均值血管分割算法的设计与实现。模糊C均值(FCM)算法在对管状结构的图像进行分割的情况下,仅仅靠到聚类中心的欧式距离来确定模糊隶属度很难得到很好的分类效果,会对理论上一些灰度值与背景差距比较小的血管产生误分割现象,会将它们分割成背景。同时由于实际的MRA影像具有受噪声影响、血管形态模糊、背景噪声和目标混杂,以及目标与背景对比度低等特点,FCM算法也很难对实际的MRA脑血管图像进行分割。本文提出了一种基于管状信息的模糊C均值血管分割模型,。从实验结果上看,所提出的方法可以使分割的结果更加精确,分割出更多的细小血管。