医学图像分割是获得人体组织、器官以及病变体的三维图像、仿真手术等后续处理的基础，它在医学影像处理与分析中具有特殊重要的意义，是医学图像处理的关键一步，是跨越医学和计算机科学的综合性研究课题。因此，对医学图像分割的研究，具有重要的学术意义和应用价值。　　 本文首先介绍了课题研究的背景与意义，概述了国内外医学图像分割的发展现状和趋势，以及本论文的主要研究内容和框架，对当前一些常用的医学图像分割算法和三维重建算法进行了分析和实验。　　 其次，由于传统的图像分割过程都是先分割再重建的流程。因此，存在下面的一些问题：分割结果的三维图像需要重建后才能得到，这样就无法及早发现分割过程中所出现的问题；无法观察分割过程或与之进行交互；分割算法所需要的种子点无法准确获得。为了克服上述困难，本文提出反分割方法，实现了获取三维种子点；分割算法与三维体绘制算法的结合与同步显示；分割，重建迭代执行与交互。通过实验证明了该方法的可行性与可用性。　　 为了在反分割方法中应用，提高区域生长的分割精度，减少种子点选取对分割结果的影响和用户交互量，本文提出了一种改进的快速区域生长分割算法。该算法通过置信区间和区域竞争计算目标区域最优阈值范围。在方法上区域生长方法考虑的是图像的局部信息，而置信区间和区域竞争方法考虑的是图像的全局信息。本文的分割算法融合了两者的优点。通过在一张图片上选择目标对象和背景对象的多个种子点，实现了复杂背景下的序列图像分割。使用一组腹部CT原始图片进行的实验结果表明，算法在只需很少交互的情况下，有效地提高了分割精度。　　 由于体数据三维重建规模较大，大部分体绘制算法都难以实现交互的动态绘制。为解决医学图像三维可视化中大规模体数据显示速度与成像质量问题，引入一种基于蒙特卡罗方法的体绘制算法。该算法根据给出的概率密度函数从随机样本点或其子集中选取一个点阵来进行绘制，适用于大规模体数据集的有效可视化。另外，使用渐进细化的方法在图像质量和交互性上进行折衷，以适应实时要求。实验结果表明，在最终图像分辨率固定时，该算法的时间复杂度和空间复杂度都比之前的算法要好，成像质量也满足实时绘制要求。　　 最后，对整个论文的工作进行了总结与分析，并指出了存在的一些研究难点，技术难点和进一步研究的方向。