医学图像分割在临床诊断、病理分析以及治疗方面具有重要的意义，分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。在医学图像分割中，对脑部肿瘤图像进行精确分割的研究具有重要的临床实用价值。精确的脑组织分割是放疗计划的制定、外科手术计划的制定、脑肿瘤结构的3D可视化和定量测量等应用研究的先决条件。由于医学图像的复杂性，到目前为止，还没有一种对所有医学图像都能产生满意的分割效果的分割方法。本文通过对现有的医学图像分割算法进行研究分析，对脑部肿瘤MR图像的分割技术进行了初步探索。工作主要有以下几个方面：1.研究了基于聚类的脑部肿瘤分割方法。将K均值算法和FCM算法应用于脑部肿瘤MR图像的分割中，并对两种算法的分割结果进行了分析。K均值算法简单易行，但是对于边缘模糊、低对比度的医学图像分割效果不好。FCM算法由于引入了模糊集合理论，能够将K均值算法所无法提取的肿瘤轮廓清晰的显示出来。2.研究了基于数学形态学的脑部肿瘤的分割方法。针对传统的分水岭算法存在过分割的问题，采用控制标记和强制最小技术改进分水岭算法。同时针对医学图像存在模糊、低对比度这一现象，先采用高帽和低帽变换增强图像的对比度，再使用改进的分水岭算法进行分割。与传统的分水岭算法相比，过分割现象得到了很好的抑制，分割效果良好。3.研究了基于GVF Snake模型的脑部肿瘤分割方法。对GVF Snake模型进行了改进，采用Canny算子获取GVF Snake模型的边缘映射图，并用分水岭算法自动获取GVF Snake模型分割的初始轮廓，将改进的GVF Snake算法用于脑部肿瘤图像的分割，既避免了GVF Snake模型中人工选取初始轮廓的复杂性和主观性，又提高了算法的迭代效率和准确性。综上，本文所提出的GVF Snake模型的分割效果最好。