近年来,计算机相关技术特别是图形图像学技术越来越多的被运用到医学领域,这加速了数字医疗时代的到来。医学图像处理和分析作为融合图形、图像以及医学等方面知识的交叉技术成为支持这一领域发展的关键。图像分割本身就是图像处理的关键技术和发展瓶颈。在医学领域,图像分割更是三维重建、手术导航、肿瘤生长模拟、器官追踪、计算机辅助诊断等关键应用中的基础技术。而医学图像的多模态、多样变、多结构、个体差异、成像设备和环境复杂以及应用领域的高要求使得对其分割的精度和实时性都有很高的要求。本文针对实现快速、精确MRI脑肿瘤分割问题进行探讨和研究。MRI成像具有灰度不均匀的特点,高场强图像尤其明显。图像的质量常常受到噪声、局部体效应和偏移场强的影响,呈现出模糊和噪点。这些原因造成针对肿瘤的分割背景信息复杂,在脑图像的整体环境信息下很难实现局部的自动分割。脑图像本身数据量很大,这使得对肿瘤分割的实时性有很高的要求。另外,脑肿瘤自身结构复杂而多变,有一些肿瘤有水肿区的存在,造成肿瘤自身灰度结构复杂。这些特点使得针对肿瘤的分割模型必须同时处理复杂的背景和前景信息,另外应具有很高的精度和实时性。本文提出一种基于范围可控的局部灰度拟合(RSF, Region-Scalable fitting)能量模型的改进模型,用于MRI脑肿瘤分割。RSF模型通过核函数拟合局部图像灰度信息作为水平集边缘的外部驱动能量,预置水平集函数惩罚项作为内部驱动能量,驱动水平集边缘,实现对灰度不均匀图像的精准分割。本文在此基础上对水平集函数进行探讨,改进水平集函数用于实现在整体分割环境下特定目标的自动化分割。算法不仅大大提高了分割速度,而且减少了主动轮廓参数设置的复杂度。一系列真实MRI脑肿瘤图像分割的结果表明该算法具有实用性和有效性。针对一些特殊情况,我们还结合了Mean-shift算法,使模型的适用性更强。