计算机辅助检测是计算机科学、认知科学、工程数学和临床医学等相结合的产物,为疾病的临床诊断带来许多方便,提高了医学影像的临床诊断水平,为治疗提供更多更准确的相关信息,对人体科学的基础研究和医疗设备的开发都具有重要意义,并且逐渐成为医学诊断学中的研究热点之一,应用越来越广泛,并呈现着日新月异的变化。如何在大量的冗余信息中找出那些主要的信息是更有效的处理和分析海量的图像信息的决定因素。因此对感兴趣区域进行快速准确的提取和区域分割是医生能够确切诊断的必要前提,能大大地提高图像处理和分析的效率和准确度。一般来说,图像分割方法主要分为基于边缘检测方法,需要进行边缘跟踪处理,以及基于区域方法,但其分割效果依赖于初始形状。本文的主要研究对象是计算机辅助检测系统在肺部检测结节中的应用。肺结节在CT图像上特征不明显、形态各异、分布位置不定、容易与其它组织粘连,使用计算机进行图像处理从而自动检测病变区域,引起医生的足够关注,能够增加肺结节的检出数量,减少遗漏结节的数量,有助于临床医生判别结节的良恶性。一般的计算机辅助检测系统能够对肺部CT图像进行自动处理分析,指示出可疑的肺结节,提高肺结节的检出率,克服一些主观因素。在肺结节检测过程中,ROI的特征提取与分类是其中的重要环节,直接影响着整个检测系统的性能。因此本文的重点放在ROI自动检测上。本文提出了一种基于视觉注意模型的FCM的图像分割方法。即通过基于人类视觉注意模型得到局部视觉显著图,然后以注意焦点初始化聚类中心进行模糊C均值聚类,从而实现图像ROI的提取,从而完成肺结节的自动检测。仿真实验表明,基于图像视觉注意力模型的FCM方法应用于计算机辅助诊断中可以提高医学诊断的有效性和快速性,提高病灶的检出率,为减少漏诊和误诊起到了积极作用。