随着医学影像技术学和计算机技术的发展,多模态影像技术(如计算机断层扫描技术(Computer tomography,CT)、电子发射断层扫描(Positron emission tomography,PET)、磁共振成像(Magnetic resonance imaging,MRI)、超声成像(UltrasoundImage))为临床医生对疾病的诊断、治疗、手术和术后评估等都起到了有效的辅助作用。通常来说,疾病的早期诊断能够有效检测处于隐匿期的疾病,提高疾病治愈率,为患者尽可能的降低治疗代价。多模态成像技术能够完整的描绘人体内部各个组织器官及其病变信息,如何精准而全面地获得病人的各种定量定性数据就成了临床疾病诊断的关键问题。医学影像分割技术可以帮助临床医生提取目标感兴趣区域(人体器官、组织或病灶等)并对其进行量化评估,还可用于感兴趣区域的三维重建和可视化等。本文针对目前三大类严重危害人类身体健康的疾病(阿尔兹海默症、慢性肾脏疾病和肺癌),有目的性的提出自动、精确的组织分割算法来应对临床诊断的需求,满足临床诊断对手术计划的制定,对疾病的早期预测甚至术后的恢复治疗等。水平集分割方法是医学影像分割领域中的研究热点之一,它的主要思想是将闭合轮廓表示为高维曲面等值点的集合,在一系列外力和内力作用下,水平集的演化带动零水平集的不断变化,当能量函数达到最小时,使得水平集函数的零水平集描述的闭合曲线在目标轮廓位置停止,得到最终分割结果。为了能够提出自动、精确的分割算法来应对临床诊断的需求,本文结合多模态影像特征,重点围绕水平集理论,针对水平集方法应用于医学影像组织分割进行了深入细致的研究,提出了自动、精准的分割方法应对临床需求,并取得了良好的效果。本文的主要研究内容包括:1)提出基于水平集方法标签融合的多图谱MR脑部解剖组织分割方法。由于脑部MR影像复杂的解剖组织结构,使得全自动分割非常具有挑战性。多图谱分割方法可以实现全自动分割的目的。多图谱标签融合分割方法包括配准和融合两个过程,本文主要工作集中于后者,提出了基于局部区域水平集能量模型的标签融合法。该方法中,水平集函数表示每个通过配准得到的变形场变形后的标签,零水平曲线表示围绕标签的区域。标签融合是通过寻求最优水平集函数,使得标签融合项、数据项、和正则项的能量函数最小化。能量函数最小化的曲线演化受以上三项的约束实现最佳标签融合。本文针对脑部MR影像大数据量的特点,采用图谱选择和包围盒的手段提高了计算效率,并一定程度上改善了分割精度。实验采用MICCAI2012提供的脑部14个ROI(region of interest)区域的训练集和测试集,验证了本文所提出的算法,实验结果显示,14个ROI的分割结果Dice值均在0.9左右,分割精度较高,且与金标准相比较,ROI形状及光滑度均保持良好。2)提出基于两步水平集方法的超声影像肾实质分割方法。超声影像对软组织和肌肉组织成像良好,因其无创性的特点,成为肾脏检测的首选成像方式,但是超声影像成像质量不高,对比度差,受噪声干扰严重,针对这一缺点,本文提出了基于两步水平集模型的肾实质分割方法。由于肾脏边界模糊,集合系统灰度严重不均匀,文章采用距离正则化水平集方法分割肾脏区域,然后采用RSF(Region-scalable fitting)能量模型最小化方法分割肾脏区域内部的集合系统,通过肾脏区域减去集合系统区域的方式得到肾实质的分割。本文方法的有效性得到了临床数据的验证,数据来自于费城儿童医院提供的临床病例,分割结果与金标准之间Dice值平均高达0.95,充分满足了临床诊断对分割精度的需求。并通过不同实验者的操作验证了算法的鲁棒性。3)提出基于AAR(Automatic Anatomy Recognition)和水平集模型的PET-CT胸部病变淋巴结分割方法。由于淋巴结组织与周围组织较低的对比度、淋巴结大小和形状的多变性等难点,提出了 AAR和水平集模型相结合的全自动淋巴结组织分割算法。首先准备淋巴结训练数据集,训练数据集主要用于训练最优层级结构;其次,当得到最优层级结构之后,识别肺癌数据集的胸部淋巴结区域;然后,采用球状滤波法检测疑似淋巴结,得到最优响应,结合最优响应、淋巴结区域隶属度值、淋巴结的PET-CT亮度值,得到淋巴结的初始检测结果;最后,该结果作为水平集函数的输入值,最终确定淋巴结的分割结果。本文实验数据来自费城医院临床肺癌病例,实验结果显示分割效率高,而且能够满足临床诊断对全自动分割淋巴结的要求。