肺部CT图像分割就是将肺部组织图像从其背景图像中提取出来的技术。由于分割出来的组织图像不仅有助于减少医生读图的负担,而且也是后续更高级应用如可视化和三维重建的基础。所以如何精确和快速的完成分割工作是研究的重点。同时,肺部CT图像具有噪声大、对比度低、边界模糊、纹理密集等特点。所以对其的精确和快速的分割也是研究的一大难点。目前医学图像分割方法按照是否有人工交互可以分为半自动分割方法和自动分割方法。半自动分割方法由于把操作者的知识和计算机的处理能力有机的结合起来,往往能获得较为理想的分割结果,所以在临床上应用较多,现在的研究主要集中在提高交互友好性和提高分割速度上。而自动分割方法由于能够完全脱离人的干预,所以是未来的发展方向,但是由于医学图像的复杂性,自动分割方法往往还不能获得让人满意的结果,所以主要还停留在实验室阶段,对其的研究主要集中在提高分割精度和分割速度上。本文针对肺部CT图像的特点进行研究,结合图割和水平集算法的优缺点,提出了一种半自动分割算法和一种自动分割算法,主要的创新点和贡献如下:①提出了一种基于图割的肺部CT图像半自动分割算法。该算法针对图割(Graph Cuts)算法本身在效率上的不足进行改进,使用超像素算法SLICO(零参数的简单线性迭代聚类)将图像处理成许多小区块,然后用这些小区块代替像素作为节点来构建图模型,大大减少节点数量,同时基于肺部CT图像的形状特征对交互方式进行优化,并对图上边的权值计算公式进行改进,最后使用简化过的迭代式图割算法Grab Cut算法对图模型进行迭代处理。最终使得新算法在具有更好交互性的同时,提高了分割速度。②提出了一种基于水平集的肺部CT图像自动分割算法。该算法针对水平集算法计算复杂、迭代次数过多和边界不够精确等缺点进行分析和改进。首先,基于肺部CT图像特征,结合使用广度优先搜索和形态学等操作,预先获取到肺部区域的大致轮廓,之后再使用水平集算法在较少的迭代次数下获取到较为精确的目标轮廓边界,最后再用图割算法对轮廓边界进行优化,最终使得新算法相对于普通的水平集算法在实现自动分割的情况下,还提高了分割速度和分割精度。