肿瘤一直都是威胁人类生命健康的疾病,并且近年来肿瘤的发病率还在不断上升。放射治疗是治疗肿瘤的有效医疗手段,精确定位病灶区域是放射治疗的关键。宫颈磁共振(Magnetic Resonance,MR)图像是常用的医学图像,可以很好地显示出宫颈组织及其周边组织结构,在放射治疗中需要对宫颈MR图像进行图像分割来得到病灶区域。目前宫颈MR图像分割大都采用人工手动方式,工作量较大;且分割结果可重复性差。针对这个问题,本文采用了一种基于非刚性配准和卷积神经网络模型的方法对宫颈MR图像进行分割,并取得了一定的成果。本文的主要内容可以概括为以下两个方面:1.针对传统互信息度量方法忽略了图像灰度信息之间的空间特性,在面对像素灰度呈各向异性较高的情况时效果不理想的情况,本文使用自相似加权多特征互信息度量。首先,通过K最近邻的计算方法,构建了融合梯度信息和灰度信息的多维特征度量。然后,推导多维特征度量对于配准形变参数的梯度解析式,完成梯度下降法寻优,通过全局仿射变换结合局部B样条变换的整体配准框架完成图像的非刚性配准,最后得到宫颈MR图像的粗分割结果。2.针对医学图像的复杂性,传统分割算法处理的瓶颈问题,本文将医生人为规划得到的金标准图像通过符号距离函数的处理,规划目标分割区域。在新规划的区域中采用随机取样的方式采样种子点,并以种子点为中心得到图像块,通过将大量图像块放入已经预先训练过的VGG-19卷积神经网络中进行训练,来得到本文所需的卷积神经网络模型。配准得到的粗分割结果在经过符号距离函数的处理后,在规定区域中将所有像素点作为种子点,同样以种子点为中心得到测试所需的图像块,并将其放入已经训练完毕的卷积神经网络中,得到网络的预测分割图像。最后,通过图像去噪,曲线拟合等图像后处理得到宫颈MR图像的精细分割结果。实验的结果表明,本文方法相较于配准方法在精度上有一定的提升。