海马体（Hippocampus）,又名大脑海马,主要负责学习和记忆功能,人脑中的海马体若受损,可导致精神分裂症和抑郁症等脑部疾病。海马体的结构体积在人脑磁共振图像（Magnetic Resonance Imaging,MR1）中占有相对较小的空间,其形状和拓扑结构也较为复杂,造成人脑MRI图像中海马体结构的边界不清晰。因此从人脑中更精确地提取出海马体,将更有助于海马体体积的测量以及对其形态的分析,对脑部疾病的诊断治疗有重大意义。本文主要采用多图谱医学图像分割算法对脑部海马体进行分割,为医学研究与医疗辅助诊断提供参考依据。多图谱医学图像分割算法包括图像预处理、图像配准和图像标签融合三个阶段,其中图像配准与图像标签融合是多图谱医学图像分割算法的两个关键阶段,本文将在上述两个阶段进行改进优化,提高海马体的分割精度与效率。主要研究内容如下:（1）图像预处理阶段主要研究颅骨剔除、图谱选择和感兴趣区域（Region ofInterest,RoI）提取。颅骨剔除采用Stefan Bauer提出的大脑表面提取（Brain Surface Extractor,BSE）算法。图谱选择采用归一化互信息（Normalized Mutual Information,NMI）进行待分割MRI与其它MRI的相似性计算,选择与目标图像最相似的图谱作为最终的融合图谱。图像感兴趣区域利用包围盒算法从两个图像库中分别以大小为60*74*67和50*50*50提取。（2）在图像配准环节,针对多图谱医学图像分割精度低的问题,依次分别用重采样、高等标准化工具（Advanced Normalization Tools,ANTs）配准、重采样和微分同胚Demons配准相结合、ANTs和微分同胚Demons配准相结合的四种配准方法。实验结果比较分析可知,在配准阶段,ANTs配准代替重采样后,再与微分同胚Demons配准相结合,得到的分割结果更精确。（3）图像标签融合阶段对加权平均（Majority Voting,MV）算法、基于生成模型约束的GraphCut标签融合（Generative Model,GM）算法、度量学习（Metric Learning,ML）算法、随机森林（Random Forests,RF）算法以及半监督随机森林的标签传播（Integrating Semi-Supervised Label Propagation and Random Forests,RF-SSLP）算法进行了比较研究。实验结果表明,用ANTs配准代替重采样后,再与微分同胚Demons配准相结合,可分别提高MV、GM、ML、RF以及RF-SSLP五种融合算法的精度,可减少分割所用的时间。并通过以上五种融合算法的比较分析发现,基于ANTs与微分同胚Demons配准相结合的半监督随机森林的标签传播融合分割算法分割精度最高,分割时间最短。综上所述,在图像配准阶段采用ANTs和微分同胚Demons配准相结合的方法,在图像融合阶段采用RF-SSLP算法,此种多图谱医学图像分割组合算法与MV算法、GM算法、ML算法和RF算法相比,分割精度提升幅度最高,分割时间缩短幅度最快。