据统计,近几十年人类肺癌的发生率和死亡率一直处于上升趋势。因此,肺肿瘤的精确分割在临床评估和病情监测中起到非常重要的作用。PET-CT是定量的分子-结构成像技术,是如今用以肿瘤等疾病早期诊断的最佳手段。在本课题中,充分利用肺肿瘤在PET和CT两种成像模态上的信息,结合3D单调下降函数、随机森林(random forests,RF)和盲源分离算法(BSS,Blind Source Separation)来解决肿瘤分割问题。首先,3D单调下降函数在PET图像上对同质均匀的肿瘤初步定位。然后,再利用加入BSS特征的随机森林算法对肺肿瘤进行精确分割。在定位阶段,均匀的肿瘤可以看成是单调下降的函数,即灰度值从均匀肿瘤最大值处到背景的变化是逐渐递减的。在精确分割阶段,随机森林训练时,不仅分别从PET和CT图像上提取了特征,而且基于盲源分离算法,在PET图像上提取了包含图像分解信息的BSS特征。并且加入了特征选择步骤,来减少训练时间和提高分类性能。本文的创新点在于通过特征提取的方式充分利用PET图像的新陈代谢信息和CT图像的解剖信息;提取了充分利用PET图像分解信息的BSS特征;将3D单调下降函数和随机森林算法充分结合,先定位再分割达到精确分割肺肿瘤的目的。在23个患有非小细胞肺癌的3D PET-CT数据上验证本文算法的合理和有效性,并将实验结果与其他图像分割算法进行比较,如区域生长算法、改进的图割算法等。实验的结果表明本文算法在肿瘤分割方面有更好的精确度。