放射治疗是治疗脑部肿瘤的主要方法之一,不仅可以提高病人的生存率,而且可以改善他们生活质量。放射治疗计划始于对于肿瘤靶区及相关危及器官（Organ At Risk,OAR）的确定和定义。脑部危及器官OAR的勾画对于实现精准放疗至关重要。磁共振成像（Magnetic Resonance Imaging,MRI）可以较清晰地显示脑部软组织结构,提高OAR勾画的准确性。但是,人工勾画脑肿瘤MRI图像较为费时和繁琐,勾画结果也因人而异。而自动分割算法在解决这一问题上具有明显的优势及可行性。本论文将图谱先验知识与待分割目标图像信息相结合,提出了基于多图谱的自适应边缘和局部区域（Adaptive Edge and Local Region,AELR）活动轮廓模型,用来实现自动分割脑肿瘤MRI图像中的OAR。该方法首先通过多图谱配准和融合算法得到OAR的初始区域,并以此为初始水平集,再使用AELR活动轮廓模型根据待分割目标图像的信息来驱动曲线运动,从而完成脑部OAR的自动分割。本文所构建的AELR活动轮廓模型由三部分组成,第一部分为局部区域项,用于提取图像的局部信息来驱动曲线的演化;第二部分是自适应边缘项,使得曲线可以根据图像局部的梯度信息引导其自适应调整演化方向;第三部分是距离正则项,避免曲线在演化过程中重复初始化。另外,由于活动轮廓模型在演化的过程中会忽略由多图谱分割算法得到的OAR的形状先验信息,本论文还提出了基于多图谱的形状先验约束AELR活动轮廓模型,通过计算自动分割结果与多图谱分割结果的相似性作为形状先验项来进一步约束曲线演化。本文使用临床脑肿瘤病例的MRI图像作为实验对象,将提出的自动分割算法与多图谱分割方法、基于多图谱的传统活动轮廓模型方法以及较新的脑部器官分割方法进行了对比,从几何学和剂量学两个角度对以上几种算法进行了评估。实验结果显示,本文提出的自动分割脑肿瘤MRI图像中OAR方法的分割精度有所提高,且其剂量学参数与人工勾画结果的剂量学参数的差异性较小。因此,本文提出的算法在脑肿瘤临床放射治疗中有望实现较为准确的OAR的自动分割,具有潜在的临床应用可行性。