医学图像分割在疾病诊断和治疗等领域中的作用日益重要。当前,主动轮廓模型已广泛地应用于医学图像分割领域。此模型对图像分割、可视化、配准和解剖组织跟踪等是很有效的。主动轮廓模型将复杂的分割转化为函数的极值问题,即曲线或曲面变形的依据是根据其定义的能量函数最小化原则。首先对传统主动轮廓模型进行了阐述,指出基本思想,给出数值实现,并对其优越性和局限性进行了分析。然后介绍了梯度向量流(Gradient Vector Flow,GVF)模型。梯度向量流模型是一种具有代表性的主动轮廓模型,它从广义力平衡方程出发,利用能量最小化公式,应用扩散方程扩散了边缘区域的边缘映射梯度,产生了一种梯度矢量场。梯度向量流模型有着自己的缺陷,如易受干扰噪声及虚假边缘的影响,在进行初始化时需要将轮廓设置在感兴趣区域的边界附近,并且当图像具有又深又细的凹口时分割效果不好。针对GVF的缺陷进行了两方面的改进:第一,对GVF的平滑项系数进行改进。GVF的平滑项系数常常设为一个常数,而且在实践中这个常数难以确定。改进的方法把这个系数与图像的梯度联系起来,使得图像的边缘特性更好。第二,对GVF的数据项进行改进。这里引入一个单调递减的函数-Sigmoid函数,在数据项系数里乘上这个Sigmoid函数。在迭代的前几步中,数据项的功能较强,能有效的指示出边缘梯度幅度值较大的区域;随着迭代步骤的增加,其功能将越来越弱,这时外力主要由平滑项提供。此外,改进的地方还有:第一,采用了人工干预的方法。将达不到要求的轮廓线(这些轮廓线通常在凹陷处附近)截断,在截断的轮廓进行新的分割,此时的分割可采用主动轮廓模型或是GVF模型。然后将截断处得到的轮廓代替被截断的部分并与原来的轮廓线进行整合。这样就实现了人机交互机制,从而允许医学专家将他们的经验带到图像解析工作中。第二,进行数据冗余处理。本文采用Matlab实现主动轮廓模型算法。由于Matlab的计算精度高,过高的计算精度对于计算的轮廓坐标来说没有必要。因此,每进行新一轮迭代之前,将轮廓进行数据冗余处理,减少了计算时间。