随着医疗图像处理技术的日趋成熟和相关硬件技术的完善,计算机辅助诊断在临床疾病诊断、常见病理分析和患者治疗等方面都有着广泛的应用,尤其是在脑疾病的研究中迫切需要优秀的计算机辅助诊断技术来帮助医生完成治疗。临床中多数脑疾病的诊断都将核磁图像作为重要的诊断依据,所以关于脑核磁图像处理技术的研究成为了新的图像研究热点。其中,脑组织和病灶的精确分割不仅能帮助医生快速了解病情,也为后续治疗方案的确定以及3D可视化提供了重要的数据支持。目前虽然在医疗图像分割方面有很多成熟的理论和方法,但成像过程中面临设备设计缺陷、光照差异和脑组织不易区分等难点,因此针对不同的疾病,需要与实际需求相结合才能产生具有实用价值的图像处理方法。本文以脑卒中MR图像的分割为出发点,对脑卒中MR图像分割中可能遇到的问题进行了分析,并通过与图像处理技术相结合提出了一些改进的方法,主要工作有以下几个方面:1.研究了阈值分割、模糊聚类、随机场模型、活动轮廓模型等医疗图像分割方法,最终利用改进的模糊C均值聚类(fuzzy C-means,FCM)实现分割。FCM算法引入了模糊集理论,能将脑组织轮廓较为清晰的展现出来,但该方法存在计算量大、未考虑空间信息等缺点。针对这些缺点,首先利用Canny算子的思想在降噪的同时将背景区域进行剔除,减少了后续分割算法的计算量。其次,将中心像素点的邻域信息进行了充分的考虑,并采用基于灰度梯度的权重赋值方式进行改进。实验结果表明,和传统FCM算法、FCMS算法相比,改进后的FCMS算法在聚类效果等方面有了较大的提高。2.研究了基于区域生长的脑卒中MR图像分割方法。传统的区域生长需要人工手动选择种子点,这种方法不仅要求操作者具有一定的医学知识,也是一件费时费力的工作。本文以改进后的FCMS算法得到的聚类中心为备选种子点,从中进行挑选,并结合脑卒中MR图像的特点制定了相应的区域生长准则,从而完成了区域生长的改进。实验结果表明,改进后的算法拥有较好的分割精度,相对于手动方式的区域生长其分割效率有了较大提升。