在人体的各组织器官中,大脑是目前所研究的最复杂的系统,也是最受欢迎的研究领域之一。脑部疾病通常有发病率高、致残率高、治愈率低等特点,成为全球医疗的关注焦点。随着科学技术的进步,医学成像技术成为脑部疾病诊断的重要辅助手段。脑部医学图像能够直观清晰的反映脑部各组织的解剖结构和功能代谢信息,需要被实时、准确的分析及处理以供临床医生使用。脑部医学图像分割,是指把脑部图像中的组织或者感兴趣的区域的边界识别并勾画出来,是进行脑部图像分析的前提,对于疾病的诊断和治疗,脑部医学图像分割起着至关重要的作用。因此本文主要研究脑部核磁共振图像(Magnetic Resonance Imaging,MRI)中海马体的分割,为医学研究与海马体形态体积变化有关的疾病提供可视化依据。由于海马体形状不规则、与周围组织如杏仁核边界模糊及脑部解剖结构对比度低等原因,增加了海马体解剖结构分割的难度。最早是通过专家的手工标记,实现特定解剖结构的分割,但存在耗时长和易出错的缺陷,限制了手工标记在大数据中的应用。基于多图谱配准的图像分割(Multi-atlas Registration-based Image Segmentation,MAIS)方法将医学图谱的先验知识融入到特定组织的分割过程中,结合高效的标记融合算法,可得到与手工分割相当精度的分割结果,被广泛应用于海马体的分割。多图谱标签融合是MAIS中非常重要的一个环节,对海马体的分割性能起着至关重要的作用。为了提高海马体的分割精度,本文提出了改进的基于多图谱稀疏块的标签融合算法和基于距离度量学习的标签融合算法。传统的标签融合算法在计算权重时往往忽略标签信息,而脑MRI中不同的标签信息代表了不同的组织结构,对相似性度量同样起着非常重要的作用。同时,传统的标签融合算法主要是以局部方式估计标签值,未考虑全局约束信息,比如形状先验信息,为克服这些缺点,本文提出了一种改进的基于多图谱稀疏块的标签融合算法。在标签融合过程中,通过引入形状先验信息来求得标签信息的最大后验概率,增加全局约束性,快速准确的获得海马体的初始分割结果,之后对于每一个标签块,利用标签信息来进行相似性度量,结合基于稀疏块的标签融合算法进一步提高海马体的分割精度。通过实验结果可得,本文算法可以得到更准确的分割结果。本文在基于多图谱分割的标签融合阶段提出了一种新的距离度量学习方法。现有的标签融合算法通常采用预先定义的距离度量模型来计算图谱图像块与标签块之间的相似度,而本文算法通过图谱图像学习距离度量模型,使结构相似的块保持相似,将不同结构的块区分开。在标签融合过程中,使用学习的距离度量模型来进行相似性度量。实验结果表明,与传统的多图谱图像分割方法相比,本文方法在分割精度方面取得了显著的改善。