随着医疗技术的不断发展,现如今医生对于自动化医疗设备的依赖程度越来越高,而医学图像领域的快速发展使得很多以前很棘手的问题也得以解决。以前在临床中,对于医学图像,医生只能通过肉眼来判断异常区域或者病灶区域,并且需要手动标定然后勾画出来。虽然这并不影响医务工作的开展,但是这种肉眼判断手动标定的方式需要医务人员有很高的医学造诣和临床经验,一旦标定有误差就会影响后续诊断和治疗的开展,所以不能从根本上排除误诊和错诊的可能性。因此发展自适应较强的医学图像分割技术就显得非常有必要。如今患者对于医疗效果的要求越来越高,各种新的病例也层出不穷,使得医务人员对于医学图像设备的要求也越来越高,尤其是在处理脑部和颅骨图像的时候。本文所研究的就是最新的针对医学图像领域的分割算法。本文开头将介绍几个比较经典的分割算法,如边界分割方法和区域分割方法,这些算法是较为早期的分割算法,也可用在医学图像处理领域,在处理比较规则和清晰的图像时可以得到比较好的效果,但是在处理脑部异常区域时效果不尽人意。因为人体脑部结构复杂不规则,并且人体脑部很多不同组织在MRI图像中显示时会表现出相近甚至相同的灰度值,所以在处理脑部异常区域时,这些经典算法误差较大,并不能满足临床诊断的要求,但是它们的出现为后来的研究者提供了理论基础和启发。之后发展出来的模糊聚类算法即FCM(Fuzzy cluster method)算法是图像分割领域的一大进步,使用FCM算法基本可以分割较为复杂的图像,自适应性和精确性较之前的经典算法都有了极大的提升。然而经典的FCM算法应用在医学图像处理领域也只是解决了最基本的分割问题,精确度仍然还有提升的空间。本文重点介绍的就是在经典FCM算法基础上的改进方法,如加入高斯卷积的快速FFCM分割方法,直方图均衡化的改进FFCM算法,加入全局空间限制模型和本地空间限制模型的FGFCM算法,基于局部偏差估计的空间约束的FCM算法,加入邻域影响因子的sFCM算法。这些算法都是在经典FCM算法的某个环节上加以改进或者添加一些环节来达到更好的精确度或者更好的抗噪性和效率值,从而实现更好的分割效果。