图像分割是图像分析和图像理解的研究方向之一,在医学图像处理领域应用广泛。通过医学图像对人体组织器官进行分割或提取,可为一些临床疾病的诊断和治疗前后的评估提供定量的分析,从而有助于临床疾病的治疗。随着锥形束CT(Cone Beam Computer Tomography,CBCT)技术的日益发展,CBCT目前已成为牙科疾病诊断的常用设备之一。由于CBCT具有较高的图像分辨率和较低的射线辐射量,在牙齿正畸和种植牙术前诊断领域,深受临床医生和患者的青睐。通过对CBCT体层数据进行三维重建,实现对口腔各组织与结构的真实展现,为医生制定手术计划以及进一步的手术模拟提供了计算机辅助诊断依据,克服了传统口腔手术纯依靠医生经验的不足。牙齿分割作为构建三维数字化模型的重要步骤,已成为计算机辅助诊断过程中必不可少的工作之一。在上述背景下,本文开展了基于水平集的牙齿分割方法研究,主要完成了以下研究内容:提出了结合自适应扩散流(ADF)模型和自动阈值的牙冠分割方法以及基于混合水平集模型的牙齿(牙冠和牙根)分割方法,具体包括以下部分:(1)本文在论述曲线演化理论的基础上分析了水平集模型的原理,研究了三种水平集模型,包括基于边缘信息的水平集模型、基于区域信息的水平集模型和混合水平集模型,并根据医学图像的分割实验结果对各类模型的优缺点进行分析。(2)针对牙冠图像中相邻牙齿相互粘连和磨牙被牙槽骨部分包围的问题,本文提出了一种结合ADF模型和自动阈值的牙冠分割方法。在阈值分割得到模板的基础上,利用ADF模型在鞍点附近曲线方向与扩散流向量正切致使曲线停止运动的性质实现对单颗牙齿的提取。实验结果表明,该方法比LSEWR模型、CLSM模型和基于模板约束的混合水平集模型具有更精确的分割结果和更快的计算效率。(3)为解决牙根图像中存在的严重牙槽骨干扰和磨牙牙根拓扑结构变化剧烈的问题,本文提出了一种基于混合水平集模型的牙齿分割方法。该模型建立的目标函数包含多尺度LLIF能量项,基于自适应权重的先验形状约束项和RD正则化项。首先根据先前层的分割结果对图像进行对比度增强处理并且获取先验形状约束信息,然后在水平集函数各能量项的共同作用下使得曲线停留在目标的边缘位置,确保牙齿区域的精确提取。实验结果表明,该方法比Gao基于先验形状和灰度的水平集方法和Kang快速阈值方法有更稳定和更精确的分割结果。