随着影像医学在临床的应用越来越广泛,图像处理技术在影像医学中发挥着越来越大的作用。图像分割是提取医学图像中特定组织的定量信息的不可缺少的手段,同时也是实现特定组织可视化及后续分析的前提。由于医学图像的复杂性和多样性,目前还没有一种普适的分割算法可用于所有的医学图像处理,只能根据特定的问题选择合适的分割算法。因此,医学图像分割始终是医学图像处理中重要且热点的研究课题。传统的分割方法通常认为每个体素仅包含一种类型组织,但在实际成像中,由于部分容积效应的影响,靠近边界的每个体素可能包含多种类型组织,用传统方法很难得到准确的分割结果,导致图像的定量分析难以有效开展。MAP-EM算法用组织混合模型模拟部分容积效应,在最大后验概率的前提下,用EM算法同时估计组织混合比和图像统计参数,最后根据组织混合比完成分割。但目前提出的MAP-EM算法均采用固定的权重和惩罚因子,在噪声抑制和边缘保持之间难以有效权衡。为了提高分割的准确性,本文对MAP-EM算法进行了改进,提出了基于自适应权重和惩罚因子的混合分割算法。心血管疾病和膀胱癌一直威胁着人类生命健康,冠脉斑块和膀胱壁的准确分割,对预防、诊断和治疗这两种疾病有着重要的临床意义。为了验证算法在临床应用中的有效性,本文采用改进后的MAP-EM分割算法,通过提高初始化的准确度,并在迭代过程中充分利用邻域信息,对冠脉增强CT图像中的易损斑块及膀胱MRI成像中的膀胱壁进行了分割。通过和有经验的临床医生手工分割结果相比较,与原有算法相比,改进算法在噪声抑制和边缘保持方面有较强的优越性,有效提高了分割结果的准确性。