膝关节与腿是人体最重要的运动器官,容易发生病变也容易受到伤害。磁共振成像(Magnetic Resonance Imaging,MRI)是目前用于检查膝关节与腿部器官的主要影像技术。通过分割膝关节与腿的磁共振图像,能够从中提取出目标组织,或重建三维模型,为医生诊断病症、规划手术方案以及在电磁仿真中估计功率特定吸收率提供具有重要价值的信息。目前,用区域生长法等半自动分割方法对膝关节与腿的磁共振图像进行分割,容易受到信噪比低的影响,而快速发展的深度学习方法需要大量的训练数据,但是大量数据的获得存在一定的困难。这些因素都会在一定程度上影响分割的效果。本文将使用Live wire算法对图像进行分割,该算法的优点为人机交互分割精度高,受信噪比的影响相对较小。本文主要对传统的Live wire算法进行了如下的优化:(1)对于膝关节这类复杂的器官,在算法上改进了局部代价函数,用Canny边缘检测算子代替之前的Laplace算子,在一定程度上提高了边缘定位的准确性,减小了噪声对分割的影响;针对T1、T2加权成像的特点,对梯度幅值函数进行了优化,提高了分割的精确度。(2)用平均路径代价替换之前的累加路径代价,在曲率较大的边界降低了种子点数量的需求;(3)为了节省时间提高分割效率,在进行边界搜索时,将上一轮确定的边界点直接放入预先定义的链表中,作为寻找下一个新边界点的先验条件,不用再反复遍历整个图像。还提出在一轮计算中,可同时处理多个点,降低了总的运算时间;(4)针对腿部图像的特点,提出使用高斯加权欧式距离以及非线性插值法,利用关键层的信息来自动预测中间层组织轮廓,该方法分割精度高并且也降低了人工参与度。