近年来,随着人们生活水平的提高,人口老龄化现象愈发严重,据分析,急性脑血管病的发病率逐年上升。作为急性脑血管疾病的一种,脑出血具有发病率高、致残率高、死亡率高和复发率高等特点,给家庭及社会造成沉重的负担。为解决这个问题,各国政府投入大量经费对其进行研究。定量、快速、准确、可重复的疑似血肿区域体积估算不仅能帮助脑出血患者进行诊断、治疗,还能决定病人是否需要动手术。目前,预防脑出血患者的早期血肿扩大成为了脑出血的研究重点,其中研究鲁棒而快速的脑出血电子计算机断层扫描(Computed Tomography,CT)图像分割算法成为预防患者早期血肿扩大的重要基础,为脑出血患者的治疗提供了重要的数据支撑。然而,脑出血CT图像的数据量小,且没有公开的标注数据集,导致利用深度学习的思想进行语义分割难以实现。同时,数据本身往往存在着混杂征、黑洞征与李琦导征,加上水平集方法存在人为初始化问题,使其不能同时解决以上问题。为解决脑出血CT图像分割所存在的问题,本文首先对脑出血CT图像进行分析,将其特征转化为以下问题:灰度不均匀、边缘模糊、多目标与存在空洞。针对这些问题,本文提出一种自适应的疑似血肿区域形态分割方法,整个过程主要包括三个阶段:脑出血CT图像的预处理、基于更快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)的疑似血肿区域检测与基于勒让德多项式符号压力函数(Legendre Polynomial Signed Pressure Function,LPSPF)水平集方法的血肿形态分割。在对脑出血CT图像进行预处理后,结合基于Faster R-CNN的疑似血肿区域检测与基于LPSPF水平集方法的血肿形态分割,再将分割后的二值图像按照检测的位置信息进行整合,从而得到最终的二值血肿图像。在重庆医科大学神经科学中心提供的脑出血CT图像数据上的实验表明:与其他典型的水平集方法相比,所提算法能同时分割灰度不均匀、边缘模糊、多目标与存在空洞的脑出血CT图像,由于结合疑似血肿区域检测的思想,节省了轮廓人为初始化的时间成本,具有良好的实用性与鲁棒性。本文的主要贡献以及研究内容概括为以下三个方面:(1)提出了一种自适应的脑出血CT图像颅内部分提取算法。在对脑出血CT图像进行预处理的过程中,对图像进行去噪后,由于颅外部分对血肿分割存在干扰,需要将颅内部分单独提取出来。本文结合最大类间方差法、中值滤波与形态学操作的思想,较好地完成了颅内部分的提取,为后面的血肿形态分割奠定基础。(2)提出了基于Faster R-CNN的疑似血肿区域检测方法。对脑出血CT图像进行去预处理后,扩充数据样本并对图像中的疑似血肿区域进行标注,接着利用Faster R-CNN进行训练,再对测试图像进行检测,将检测到的矩形框作为水平集分割血肿形态的初始轮廓,自动定位疑似血肿区域的初始轮廓,节省人力与分割时间成本,最后对检测后的血肿图像进行感兴趣区域(Region of Interest,ROI)提取,从而缩短水平集方法分割血肿形态的时间,提高分割效率。(3)提出了基于LPSPF的血肿分割形态算法。由于脑出血CT图像本身形状与密度的复杂性,传统的水平集方法无法同时解决灰度不均匀、边缘模糊、多目标与存在空洞的问题,所提算法将勒让德多项式与符号压力函数结合起来,同时解决了灰度不均匀与边缘模糊的问题;另外,通过改进所提算法,泛化所提符号压力函数,结合边缘停止函数,有效地解决了多目标与存在空洞的问题。与其他经典的水平集方法相比,本文所提算法在迭代次数、运行时间以及相似系数都存在较好的结果,定性定量地证明了模型的鲁棒性能。