医学图像分割是图像分割的一个重要的应用领域,是医学图像处理和分析领域的基础性经典难题,其中脑部医学图像分割因其重要的应用价值近年来成为医学图像分割的研究热点。医学图像分割在生物医学研究和临床应用中具有重要的意义,可用于研究解剖结构,病灶确定,疾病诊断等。因而精确的分割是后继分析的关键和重要基础。本文在现有的研究成果的基础上对医学图像分割的目的和意义做了概括性的总结;对现有的医学图像分割方法做了比较性的分类,论文的主要工作和创新点包括:首先,介绍了本课题研究内容相关的关键技术,包括图像分割和核磁共振图像基本概念和基本原理。给出了医学图像分割研究现状,并对几种典型算法加以分析。其次,提出了一种基于改进的模糊C均值算法的人脑MR图像分割。模糊C均值是一种经典的模糊聚类分析方法,收敛结果容易陷入局部最小值,而且也没有考虑图像的空间信息,对噪声十分敏感。本文提出改进的模糊C均值方法,根据脑图像特征,采用新的确定初始值的方法首先确定初始聚类中心,然后考虑图像的空间信息,利用Gibbs随机场的性质引入先验邻域约束信息,建立包含灰度信息与空间信息的新聚类目标函数,同时再进一步地调整了距离矩阵。通过实验可以表明,此改进的方法具有很好的分割效果,同时对噪声具有较强的鲁棒性。最后提出了基于高斯混合模型的人脑MR图像分割。有限高斯混合模型在脑部MR图像分割领域获得了广泛应用,利用高斯混合模型可以描述大脑图像。该方法针对含噪声的大脑图像,首先利用一种新颖的滤波方法对脑图像进行滤波,再利用一种基于模拟退火算法思想的粒子群优化算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量。