选择性图像分割作为图像处理领域中的一个重要分支,在医学领域中可以帮助医生更早地发现患者的病变、癌变部位,以实现早发现、早治疗、早治愈的目的。本文通过对病患的肺、肝、胸、膝盖骨等部位进行研究并且优化了一种针对医学图像的加权变分选择性图像分割模型,并命名为基于多目标选择性图像分割的加权模型。在图像分割这一领域中,基于加权变分方法和微分方程的模型由于其灵活性和计算方便受到广泛的青睐,变分分割模型可分为基于边缘的模型和基于区域的模型。基于边缘的方法利用图像的第一和第二阶导数的局部性质。研究分两步进行,第一步,在已标定的目标医学图像中获得与Mum ford-Shah（MS）模型相关的平滑近似到目标区域,然后使用加权函数使其近似为目标区域提供更大的值,并且为其他区域提供较小的值。第二步,使用该近似并执行阈值处理来获得感兴趣的图像。本文主要研究内容如下:（1）首先分析现有的MS主动轮廓模型在图像分割中的效果,然后为达到多目标分割的目的,对模型进行了优化。①为了找出感兴趣的边界,基于MS模型使用了凸二阶形变模型;②通过凸k均值方法获得阈值;③在新模型中优化了距离函数d（x）和边缘检测函数g（x）;③使用加权模型对图像进行分割并使用权重函数来调整保真度和平滑项;④为提高运行效率,使用水平集函数或隶属函数来进行数值计算;⑤通过数学证明证实了阈值u在本研究中的存在性和唯一性。本文医学图像选择性分割的实验结果:单目标识别准确率在75%以上,多目标识别准确率在68%以上,比MS模型分别高出2.5%和4%。（2）制作并上传医学CT图像数据集,包括健康肝图片7759张、肝癌囊肿图片2502张、肝癌图片6749张、胸腔病变图片500张、肺部病变图片200张、其他图片共300张。在目标区域的轮廓附近标注标记点时,发现标记点的数量和位置对实验结果有很大影响,当标记点个数在3到8个,且标记点位于目标边缘或靠近边缘的目标区域内部一侧时取得的效果最佳,准确率最高可达90%以上。基于多目标选择性图像分割的加权模型能够帮助医护人员准确、高效地进行病情诊断和优化治疗方案。标注的数据集可作为分析某一地区高发病数据统计的依据,具有广泛的应用前景。