肺癌是严重威胁广大人民群众的重大疾病。仅2012年,肺癌就夺走了109.8万男性,49万女性的生命。肺癌的早期确诊是延长肺癌患者五年生存率的有效途径,同时也是减轻患者家庭负担的最有效办法。磨玻璃密度影(Ground Glass Opacity,GGO)是肺癌在CT影像中的重要早期表现,但同时也是一种非特异性表现。目前,GGO的良恶性判断主要是通过检测和分析GGO的形态学特征(如大小、形状、边缘、粘连结构、是否内含实质性成分等)及特征的生长变化来进行,GGO的准确分割是以上工作的重要前提。当前,已经有部分GGO分割算法被提出,但是其分割效果均不太理想。尤其是当前的分割算法主要以分割出GGO的主体部分为目标,忽略了GGO的边缘结构(如毛刺、条索等),不仅造成了目标对象的过分割,影响了GGO面积的测量,而且会造成后期GGO特征分析的偏差、GGO良恶性判断的错误。本文提出了基于区域自适应权重的马尔科夫随机场模型的GGO分割算法,实现了GGO较为准确的分割。但该模型中的正常肺实质灰度分布模型参数严重依赖于训练样本,GGO的灰度分布模型参数需要依据GGO的初分割结果进行更新,两者都会影响到实验的运算速度和分割结果准确性。为此,本文进一步提出了基于马尔科夫随机场的二维大津法模型和混合类泊松模型来实现GGO的分割。本文内容分为以下四个部分:1、肺实质的自动分割;2、基于区域自适应权重的马尔科夫随机场(Markov Random Field,MRF)模型;3、基于MRF的二维大津法模型;4、基于MRF的有限混合类泊松模型。肺实质的准确分割能够有效的排除胸部CT图像内与GGO分割、特征分析无关因素(如CT检查床、衣物、胸壁、纵膈等)的影响,减少计算量和计算误差,提高GGO的分割准确性。本文在肺实质的分割过程中首先使用基于OSTU(大津法)的阈值法确定分割阈值、利用连通域标记法填充肺实质区域内空洞、借助投影法确定左右肺实质是否未分离及ROI区域;然后基于滚球法和凸包法来实现肺实质的边缘平滑修补。从而得到较为完整的肺实质分割结果。基于区域自适应权重的MRF模型是指该马尔科夫随机场中的转移概率是一个基于局部隶属度的自适应参数。该参数在隶属于GGO的隶属度与隶属于正常肺实质区域的隶属度有较大差别的局部区域内取得较大的值,在隶属于GGO的隶属度与隶属于正常肺实质的隶属度较为接近的区域内取较小的值。基于该模型,GGO得到了较为准确的分割。基于MRF的二维大津法是在二维大津法的类间方差计算公式中引入了基于MRF的平滑能量。该能量能够有效的调节使用最优阈值得到的GGO潜在区域的个数及潜在区域的大小,有效的抑制过小肺纹理的影响、减少后期GGO识别过程的工作量。基于MRF的有限混合类泊松模型是在考虑像素点的空间关系的前提下,使用有限个类泊松模型对肺实质的灰度分布进行拟合的一个算法模型。它充分利用了正常肺实质、GGO、高密度肺纹理等区域的灰度分布类似于泊松分布(或偏正态分布)的性质,能够更好的对像素点进行归类。本文通过专家打分法来评价基于该三种算法的GGO分割结果的优劣,通过计算分割结果的误差率、面积和形状的测量精度来分别对比评价该算法与同类算法的优劣。实验表明基于以上三种方法,都取得了较同类算法更好的GGO分割结果。