德国物理学家伦琴在1895年发现了X射线,并于1901年获得了首届诺贝尔物理学奖。Hounsfield和Cormack由于发明了CT成像技术,在1979年获得了诺贝尔医学和生理学奖。Lauterbur和Mansfied因发明了MR成像技术,于2003年获得了诺贝尔医学和生理学奖。100多年来,随着医学成像技术的不断进步,产生了越来越多的医学图像,也使对医学图像的处理和分析逐渐成为国内外研究的热点。医学图像分割是医学图像处理与分析领域中复杂而又关键的步骤,其目的是从医学图像中分割出具有某些特殊意义的部分,然后提取相关特征,为临床治疗和病理学研究提供可靠的依据,从而辅助医生作出更加准确的诊断。由于医学图像的复杂性,以及目前医学成像技术上的特点,在分割过程中需要解决成像的不均匀性以及个体之间的差异性等一系列问题,使得医学图像的分割变得越加困难,所以一般用于自然图像的分割方法难以直接应用到医学图像的分割,而且至今仍没有一种通用的分割方法可以有效地应用到不同的医学图像分割任务中。基于上述原因,本文针对两个具体的分割任务提出了两种基于学习的分割方法：(1)提出了一种基于局部线性表达的分类(Locally Linear Representation-based Classification, LLRC)方法来实现脑组织区域的分割。脑组织分割是脑部图像分析的一个重要预处理步骤。由于手工勾画脑组织边界十分费时,而且不同的人勾画的边界也存在一定的变化,因此,对半自动或全自动的脑组织区域的分割方法的研究日益广泛。尽管许多研究者对脑组织分割进行了深入研究,但是,如何提高脑组织分割的精度仍然是一项极具挑战的工作。这是因为脑部MRI图像的复杂性,例如：解剖结构的变化以及采用不同序列,不同仪器扫描所导致的灰度值差异。许多现有的脑组织区域分割方法往往在面对不同的研究内容或者不同的群体时,需要作出一定的调整。针对以上提出的问题,设计一种可靠以及鲁棒的脑组织分割方法,使其能在不同的脑部形态,以及不同的成像序列中都能很好地完成分割任务是十分重要的。因此,本文提出了一种LLRC方法。本文通过把局部线性表达引入到传统的分类模型中,从而得到一个新的分类框架。本文把标号融合方法看做是新分类框架下的一个特例,并通过该分类框架很好地解释了标号融合方法的原理机制。由于训练样本量的庞大,本文采用尼均值聚类算法对全部训练样本进行聚类,从而得到一个能很好描述训练样本结构特点的字典,同时也减少了算法的计算量。由于在计算LLRC的融合权重时,局部性是十分重要的。因此,本文采用局部锚点嵌入方法(Local Anchor Embedding, LAE)来计算字典中每个元素的线性融合权重。此外,本文通过学习的方法得到字典中每个元素的最优分类分数来获取最后精确的分类结果。本文采用ICBM以及ADNI数据库的70幅脑部MRI图像以及对应的金标准作为训练图像训练分类器,采用网上可供下载的IBSR1, IBSR2, LPBA40, ADNI3T四个数据集共241幅脑部MRI图像作为测试集来评估LLRC方法的性能。实验结果表明,本文提出的脑组织分割方法的精度要比当前一些比较常见的脑组织分割方法的精度高,例如：BET, BSE, ROBEX,以及GCUT等。(2)提出了一种基于局部独立投影的分类(Local Independent Projectio-based Classification, LIPC)方法来实现脑部肿瘤的分割。脑部肿瘤分割是早期肿瘤诊断以及制定放射计划中的重要步骤。由于手工勾画脑肿瘤边界十分费时,而且不同的人勾画的边界也存在一定的变化,因此,设计一种有效的半自动或全自动的脑肿瘤分割方法来解决上述问题是必须的。尽管许多研究者对脑部肿瘤分割进行了深入研究,但是,如何提高脑部肿瘤分割的精度仍然是一项极具挑战的工作。这是因为在脑部肿瘤图像中肿瘤经常表现出复杂的特性,例如：肿瘤外观变化的多样性以及肿瘤边界的模糊性。为了解决上述问题,本文提出了LIPC方法。本文假设不同类别的样本落在不同的非线性子流形上,基于这种假设,LIPC方法把测试样本独立地投影到每个子流形上,然后用重建误差来作为分类的测量标准。由于各类训练样本量的庞大,本文采用尼均值聚类算法分别对各类训练样本进行聚类,从而各个类别都可以得到一个能很好描述本类训练样本结构特点的字典,同时也减少了算法的计算量。在样本投影到每个子流形上时,本文采用LAE方法计算各类字典中每个元素的权重,从而能通过局部性更好地利用各类字典元素来重建测试样本。此外,本文通过采用softmax回归模型来学习不同类别样本的分布,进而提高分割的精度。本文分别采用仿真数据以及真实的脑部肿瘤图像数据来评估LIPC方法的性能。在仿真数据中,LIPC的分类性能优于SRC以及SVM方法。实验结果表明,考虑不同类别样本的分布情况能进一步提高脑部肿瘤的分割精度。在真实数据实验中,本文采用80幅具有金标准的脑部肿瘤图像作为训练图像训练分类器,40幅没有金标准的图像作为测试图像,测试图像的分割结果采用网上在线评估系统进行评估,本文的方法对测试数据的肿瘤分割精度比一些常见的脑肿瘤分割方法的精度高。随着医学图像数量的逐渐增加,如何在一个庞大的图像数据库中搜索到相关的图像信息,辅助医生进行分析和诊断是一个非常重要的问题。目前,构建基于内容的图像检索(content-based image retrieval, CBIR)系统是解决这个问题的一种比较有效的方法。在CBIR系统中,如何提取辨别力强的图像特征以及如何定义图像的相关性(测量不同图像之间的“距离”)是构建CBIR系统的两个关键问题。由于医学图像的多样性和复杂性,一般的视觉特征,如：颜色(灰度),纹理,以及形状特征,难以充分地描述图像的语义内容,因此,需要研究更具辨别力的特征来更好地描述图像内容。此外,视觉特征和图像的语义内容存在语义鸿沟,直接使用视觉特征来计算图像的相关性会降低检索的性能。通过学习距离测度,并使用距离测度把图像特征映射到新的距离测度空间,可以在一定程度上减小视觉特征和图像的语义内容之间的差异,从而提高检索性能。本文分别针对上述两个构建CBIR系统中的关键问题,提出了相应的解决方法：(1)提出了一种划分学习的方法来提取图像特征。该划分学习方法的主要思想是找到使每个子区域对应的特征差异最大的划分方式。因此,通过学习的方法,把图像中外观变化比较大的区域划分开来,同时使得每个划分子区域的图像内容趋于一致,从而增加图像特征的辨别能力。本文针对划分学习方法的主要思想提出一个新的目标函数,同时通过一种优化算法来求解该目标函数,并且采用脑部肿瘤T1加权对比度增强MRI图像来评估该方法的性能。实验表明,采用了划分学习方法的CBIR系统的检索精度比采用空间金字塔方法的CBIR系统的检索精度高。(2)提出了一种基于排序误差的距离测度学习方法来减小高级语义内容和低级视觉特征之间的语义鸿沟。本文通过引入排序误差作为目标函数,使用随机梯度下降的优化方法来求解目标函数的最优解,从而得到优化后的距离测度。利用距离测度投影图像特征到新的特征空间,进而减小图像特征和图像语义内容之间的差异。实验表明,通过基于排序误差的距离测度学习方法得到的距离测度能使CBIR系统的检索精度维持在较高水平,同时优于一些比较常见的距离测度方法,例如：欧式距离,CFML, LFDA,以及MPP等。随着大批量的图像基因研究的发展,研究者们经常会通过大量的医学图像和基因数据来检测遗传性的神经精神病学和神经退行性疾病的诱发基因。了解基因和环境因素的作用机制是研究如何防止,诊断,以及治疗神经精神疾病方法的重要步骤。然而,由于测试的全基因组、相关信号所在的脑部位置、以及研究个体数目的庞大,因此,全基因组关联研究(Genome Wide Association Study, GWAS)方法主要面临着数据量庞大以及计算速度缓慢的问题。针对传统GWAS方法中存在的问题,本文提出了一种快速的基于体素点的全基因组关联研究方法(Fast Voxelwise Genome Wide Association Study, FVGWAS),该方法主要由以下三个部分组成：(1)构建了一个异方差的线性模型。该线性模型不需要假设研究个体对应的图像数据之间存在均匀方差,而且该模型允许在图像数据中存在一个大类的分布。由于个体之间以及图像体素之间的变化十分重要,而且图像数据的分布通常服从高斯分布,因此,异方差线性模型的性质对图像分析十分重要。(2)基于全局Wald检验统计,提出一个有效的全局确立独立筛选(global sure independence screen, GSIS)方法。GSIS能使搜索空间从NcNv下降到N0Nv,其中N0<<Nc,从而能大大地减少计算量。(3)使用wild-bootstrap方法来检测可疑基因。由于wild-bootstrap方法不需要重复地分析合成数据,因此,使用wild-bootstrap方法能减少计算量。此外,wild-bootstrap方法既不需要标准的排序方法中的完整可交换性,也不需要随机场理论中的强假设,因此,wild-bootstrap方法更容易用于一般的应用中。本文通过仿真实验以及真实数据的实验来评估FVGWAS的性能,仿真实验结果表明FVGWAS在很大的搜索空间中能有效地搜索稀疏的信号,同时能很好地控制误差率判断族。在包含708个个体,193,275个体素点的图像数据,以及501,584个基因数据上,FVGWAS在单个CPU上的运行时间为203,645秒。实验表明,FVGWAS方法对于超高维分辨率的图像和全基因数据下的大量图像基因数据研究来说,可能是一种十分有价值的统计工具。