自动化医学图像的病变定位是计算机医疗辅助的一个关键技术。目前的方法中,需要医生通过人工的方式对医学图形进行诊断,毫无疑问,这需要巨大的人工成本。在现有的医学数据库中,存在着海量的数据。而计算机的辅助可以帮助医生减少工作量,提高诊断的效率,这个课题一直以来都被作为一个重要的课题进行探讨。许多图像相关的分割算法以及匹配模型被提出来,比如基于图像灰度的算法,基于图像梯度的算法,基于模板比配模型等等。但由于医学图像的复杂性,事实上,整个流程仍然需要医生以交互式的方式对图像进行分割和定位,不能够实现大规模的医学图像处理。这篇论文针对肺部医学CT图像序列的轮廓畸变诊断建立了一套全自动的诊断算法。这套算法主要包含轮廓掩膜提取算法和轮廓畸变判断算法。实际产生病变的肺结构中通常会存在许多病症,轮廓畸变只是其中的一部分病症,但无论要对何种病症进行诊断,都需要首先获得肺轮廓的掩膜。这就是说轮廓掩膜提取算法为所有的诊断算法提供了前提性的输入。轮廓畸变判断算法基于提取算法的输入,对轮廓建立子轮廓的特征向量。在训练数据中,通过交互完成对轮廓异常区域的信息标注。通过机器学习获得最后的诊断模型,对判定为异常的轮廓的异常区域进行局部的高亮标注。