医学图像分割是医学图像处理中的一个经典难题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展,而且在生物医学图像的分析中也占有极其重要的地位。传统的图像分割方法有许多缺陷,很难满足复杂的医学图像分割的要求。Snake模型通过参数化的活动轮廓线,在由先验模型和图像数据构成的能量函数的驱动下变形,直到抵达区域的边界,该模型既承载了上层先验知识又融合了图像的底层特征,因而能有效地应用于医学图像的分割中。本文从Kass等人提出的传统Snake模型出发,对参数变形模型的理论和方法作了简要介绍。主要分析研究了Snake改进模型的相关理论和方法及其在医学图像分割中的应用,并对其扩展方法作了探讨。首先,在GVF Snake改进模型的基础上,重点研究了Snake模型在医学图像分割领域的应用。结合模型的特点和医学图像自有的特性,比较研究了平滑去噪、图像增强等分割预处理方法。重点讨论了基于小波变换的对比度增强方法及其评价指标。其次,还将Snake模型主要应用在超声肿瘤影像的分割中,分析研究了超声图像分割的预处理过程、模型的初始化方法及分割过程并给出了分割结果的评价指标。提出了一种适合于超声肿瘤图像的基于OTSU方法的模型初始化方法。最后,研究了数学形态学的方法并将其运用在Snake模型分割中,重点研究了形态学梯度和形态学重建在Snake模型分割中的运用,将数学形态学的优势与Snake模型分割相结合,初步达到了辅助Snake模型分割和改善分割效果的目的。