随着人工智能和计算机技术在医学图像处理方面的不断应用和发展,数字医学图像为临床医学的诊断和辅助诊疗方面奠定了基础。脑部图像的处理和分析引起了专家的广泛关注。在数字医学图像的处理当中图像分割是图像识别和计算机可视化等方面的关键预处理步骤。数字医学图像分割的目的是将图像中的感兴趣区域(Region of Interest,ROI)分割处理并进行相应研究。另外,高效、精确的分割,是进行定量和定性分析、3D可视化的重要步骤。磁共振成像常被用来描述和量化多发性硬化症(MS)在大脑和脊髓的病灶。病灶的数量和体积已被用来评估多脑部白质病灶的疾病负担、跟踪疾病的进展,并在临床试验中评估新药物的效果。磁共振图像中脑部白质病灶的准确识别是极其困难的,因为病灶的位置、大小、形状以及受试者之间的解剖结构都存在差异。本文在传统马尔科夫随机场理论的基础上,针对脑白质病灶的特点提出了一种改进的基于多图谱多通道的多发性硬化症病灶分割方法。所做的研究工作如下:(1)文献的查阅和分析。首先,查阅大量的与脑部磁共振成像(MRI)和医学图像分割有关的文献,系统分析了国内外专家在医学图像分割领域的主要研究现状和未来的发展趋向。其次,阐述了MRI成像技术和数字医学图像分割的基本原理。最后,结合脑白质病灶特点以及现有的分割技术的优点,提出本文的脑白质病灶分割方法。(2)图像预处理方式的选择。实验所采用的数据集是来自磁共振扫描的公共可以获得,没有经过其它方式处理。为了分割更加精确和节省时间,提高鲁棒性,因此,进行灰度不均一性和偏差场校正,以及去头颅等操作。(3)系统阐述贝叶斯理论、马尔科夫随机场(MRF)和吉布斯随机场(GRF)原理,并且分析了它们在医学图像分割中的应用。另外,阐述传统的医学图像分割方法的缺点,在此基础之上我们采用能量最小化方法进行偏差场校正。采用结合MRF和Gibbs的稀疏贝叶斯决策理论进行病灶图像分割。最后,对同一患者的T1-w,T2-w和FLAIR图像病灶分割结果进行融合,目的是使最后分割结果更加精确。(4)实验验证和评估。在本文中采用Matlab2015b、FSL和MIPAV软件平台,对所提出的分割方法进行可行性验证和分析,对分割结果进行定量和定性评估。研究的创新之处是,(1)利用自适应稀疏贝叶斯决策定理进行多发性硬化症病灶分割,该方法与MRF和GRF相结合,目的是采用一种可靠的,鲁棒性强的MS病灶分割方法;(2)采用T1-w、T2-w和FLAIR图像相结合的多通道机制来进行病灶融合,目的是减少匹配歧义,提高分割精度;(3)进行了病灶的体积和数量的有效计算,可帮助专家进行预后和分析。研究的不足之处是,数据的灰度不均一性校正的迭代的次数相对较多,因此,多发性硬化症病灶整体处理效率没有达到理想效果。由于病灶的体积和数量的精确计算,将有利于医生进行诊断和分析,但是我们的方法还是没有达到理想的效果。