肝脏是人体最大的内脏器官,结构复杂,发病率高,在临床上有很大的诊断意义和研究价值。图像分割在医学图像处理中具有十分重要的意义,特殊器官的三维可视化、计算机辅助外科手术以及放射治疗等医学应用均建立在图像分割的基础上。例如,在研究肝癌识别和肝脏三维可视化技术时,第一步就是对肝脏进行精确分割。由于人体器官和组织结构的复杂性及密度的相近性以及成像设备的限制,肝脏在二维腹部CT图像中具有结构复杂、对比度低、不同组织相粘连、边界模糊等特点,在不同CT扫描层中的表现亦不相同,加大了肝脏分割的难度。基于形变模型的分割算法在医学图像分割领域越来越活跃,其基本思想是建立模型的能量函数,在模型内部控制力和外部图像力的共同作用下使曲线或曲面演化,并使能量函数最小化,从而收敛到待分割区域的边缘。基于形变模型分割算法的优点是将图像数据、初始形状和目标轮廓统一于一致的数学模型中,缺点是形变模型对初始位置敏感,难以进入凹陷区域。本文基于Snake模型和区域增长方法,提出了一种基于腹部序列CT图像的自动肝脏分割方法。首先对图像进行格式转换、去噪、增强等预处理,然后对图像中包含的肝脏区域数目进行判定,结合肝脏在腹部CT图像中的形状、位置和图像分割的基本方法,本文提出了肝脏区域数目的自动判定方法。根据判定结果,对单个区域的肝脏,用改进的Snake模型进行分割,改进的Snake模型结合了阈值法、形态学操作、边缘检测及轮廓跟踪等方法,可以自动地提取肝脏的初始轮廓对其进行初始化,解决了Snake模型对初始条件敏感的问题。对多个区域的肝脏图像,采用改进的区域生长法进行分割,基于肝脏区域数目的判定结果,本文实现了多区域种子点的自动选取,区域生长法容易导致过分割,改进的区域生长法对其结果进行了修正,有效解决了过分割的问题。本文通过自动分割的区域与影像医生手动分割区域的比较进行分割效果的评价。将本文方法应用于实际的10组边缘模糊的腹部CT图像进行肝脏分割实验研究,证明了该方法对复杂图像分割的自适应性与有效性。