目的　　磁共振成像(MagneticResonanceImaging，MRI)以其非介入性、非损伤性、快速准确等特点，被广泛应用于人体内部精细结构的可视化，并在临床医学上起着越来越重要的作用。磁共振成像对于软组织的高对比度和多参数成像特性使其在脑功能研究以及多种神经性疾病的诊断中发挥着重要作用，如多发性硬化症(MultipleSclerosis，MS)、阿尔茨海默病(Alzheimersdisease，AD)等。为了检测生理或病理状态时脑组织容量，准确而鲁棒的组织分类或图像分割非常关键。脑MRI的分割主要涉及两方面内容:一方面是对正常脑组织的分割，就是将脑MRI分割为灰质、白质和脑脊液等组织部分。这是医学图像配准、三维重建和可视化的基础;另一方面就是对包含有病灶的MRI的分割，将病灶区从其它组织中区分出来。这样就可以对病灶的形状、边界、截面积和体积等进行测量，并通过在治疗前后对这些指标的测量和分析，帮助医生制定和修改治疗方案。成像技术不断发展，图像大小和数量不断增加，由神经外科医师进行的手动分割不但费时且不具可重复性，因而有必要构建一种自动分割的方法。　　目前的图像分割算法大体上可分为单参数分割算法和多参数分割算法。MRI为多参数成像，因而可以进行多参数分割。模糊C均值(FuzzyCMean，FCM)聚类算法是应用十分广泛的多参数分割算法。可是，传统FCM算法只是基于目标函数聚类，需先设定聚类数，且无法判定聚类结果是否最优。另外，FCM算法收敛时间相对较长，特别是样本量较大时，还会不收敛，这就需要利用其他算法先对样本进行粗分，以减小FCM算法的输入信息量，加快收敛速度。小波变换对噪声不敏感，更适用于医学图像的融合与分割。　　从人脑MRI特性和FCM算法的特点出发，本研究提出了一种基于小波-FCM的新分割算法体系，改进聚类有效性函数，使算法在迭代过程中自动判别最佳聚类数，使用BrainWeb多发性硬化症模拟图像对算法进行评估，并与传统算法进行比较。　　材料与方法　　1、选取国际通用的加拿大麦吉尔大学蒙特利尔神经研究所BrainWeb数据集中带有多发性硬化症病灶的模拟人脑MRI进行分割算法的研究。　　2、为综合MRI不同加权像之间的互补信息，同时减少分割算法的输入样本量，分别计算T1、T2和Pd加权像之间的相关系数，舍去高相关度的加权像。　　3、使用小波变换对T1和T2加权像进行信息融合，同时对输入图像进行粗分割，分割结果为最终目标类的若干子类，用以减少FCM算法的输入样本量，避免信息冗余。　　4、根据Xie-Beni准则改进聚类算法有效性函数，使FCM算法能自动产最佳聚类数，并与解剖学知识对比较。　　5、比较新旧分割算法的正确分割率，对分割结果进行评估。　　结果　　1、通过对10层MRI之间相关系数的计算得出:T1和T2加权像之间的平均相关系数为0.3765，为轻度相关;T1和Pd加权像之间的平均相关系数为0.8015，为强相关;T2和Pd加权像之间的平均相关系数为0.8359，为强相关。　　2、根据输入样本特征空间的分布特性，选用小波变换对图像进行二层分解，实验结果显示这样可以得到较好的图像融合及粗分效果。　　3、将改进的Xie-Beni有效性函数加入到FCM算法中，实验结果显示:对于5层正常脑组织MRI，新算法有效性函数值在4时达到最小值;对于5层含有多发性硬化症病灶的图像，则在5时处达到最小值。与解剖学知识相符。　　4、对于同一层MRI，随着叠加噪声等级的增大，传统FCM算法的分割结果因噪声分布的随机性而显示出不稳定性，而改进的新算法在5种噪声等级下的分割结果较传统FCM算法更加稳定，差异有统计学意义(P＜0.05)。　　结论　　1、通过计算不同加权像之间的相关系数得出:T1、T2加权像之间的平均相关系数最小，相关度低，图像之间信息互补性大，这样科学的选择了输入图像，避免了冗余信息。　　2、改进了Xie-Beni指标有效性函数，得到更理想的聚类有效性函数。利用改进的聚类有效性函数准确判定了含有不同组织图像的最佳聚类数，结果与解剖学知识一致。　　3、利用小波变换对图像进行融合同时进行粗分，有效降低了噪声对于FCM聚类算法的影响，加快了收敛速度，增强了强鲁棒性且分割结果更优。