肺癌是当今对人类生命健康危害最大的恶性肿瘤之一,特别近半个世纪以来,各国肺癌的发病率和病死率都在急剧上升。在CT日益普及的今天,CT扫描已成为肺癌筛检最重要的手段。然而,CT扫描产生的图像量很大,大量的CT图像直接导致医生工作量的增加,从而增加了漏诊和误诊的几率。计算机辅助系统(CAD)的开发,提高了结节检测准确性和科学性,而多数肺癌在CT图像中是以肺结节的形式表现的。该系统能够对肺部CT图像进行自动分析后,给医生提示可疑肺结节,从而克服了一些主观因素,提高了对肺结节性病变(包括早期小肺癌)的检出率。疑似病灶区域也叫感兴趣区域(Region of Interest, ROI),是肺癌CAD系统的重要环节。本文在阅读国内外相关文献的基础上,对三种基于CT图像的ROI分割算法进行了深入研究。首先在详细分析CT图像肺结节特征的基础上,使用Matlab软件对图像进行阈值分割、去除、连通分量标记,区域周长和面积的计算以及圆形度计算等处理,实现了基于形状特征的肺结节分割算法；其次在深入分析高斯模板的构造和模板匹配算法的基础上,根据ROI区域的大小构造不同尺寸的高斯模板,进行模板匹配,根据模板匹配的相关系数来提取ROI,实现了基于模板匹配的ROI分割算法；最后采用模糊c均值聚类技术对临床医学肺部CT图像进行分割,运用CT灰度图像的像素值作为样本集合进行聚类,将肺部CT图像分割成不同的类别区域,使得相似区域具有特征相似性,不同区域具有特征差异性,从而实现了基于模糊聚类的ROI分割算法。多幅临床图像的实验结果表明,本文所实现的三种区域分割算法都可以取得较好的分割效果。