医学图像分割技术是把图像中具有特殊含义的不同区域分割开来,并使分割结果尽可能地接近解剖结构。医学图像分割技术是医学图像处理和分析领域研究的重要内容之一。基于医学图像的分割技术,可对医学图像的内容进行分析,帮助医务人员诊断和制定治疗方案。同时由于人体解剖的个体差异较大,临床应用对医学图像分割的准确度和算法的执行速度要求较高；又由于噪声、偏移场效应和部分容积效应等对图像的影响,使得已有的分割算法远未达到理想的效果。因此,医学图像的分割一直是医学图像处理和分析的热点研究问题。近几十年来,虽然针对医学图像分割领域的相关算法研究种类繁多,但是依然无法完全满足实际需求。其原因相当复杂,比如无法完全用数学模型来简单描述人们所面临的实际问题；分割对象结构性质的千差万别；图像退化以及人们对分割结果预期目标互不相同等。这些原因造成了不可能实现一种普适、通用的分割方法。只能针对特定问题和具体的需求给予合理选择,在精度、速度、和鲁棒性等关键性指标上做出均衡或侧重。肿瘤是我国常见的,严重危害人民健康的恶性疾病之一。肿瘤边界轮廓包含着丰富的肿瘤病变特征信息,临床医生往往是通过对肿瘤病变轮廓特征信息的分析,来对疾病进行定性和分类的。通过对病灶的形状、边界、截面面积以及体积等进行测量,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。因此,精确的肿瘤组织分割对于探测肿瘤的病理类型、放疗计划的制定、外科手术计划的制定和仿真、定量测量等具有重要意义。然而肿瘤分割通常被认为是一个比较难的问题,这是因为肿瘤有如下特性：大小和位置各异；形状变化较大；密度可能和正常组织相交叠；可能有占空效应或渗透效应；可能伴随着水肿等。分析肿瘤图像的特点,可以知道其边界可能比较复杂,边界模糊,内部可能有空洞,这些对分割方法的选择提出了更高的要求。目前,用于肿瘤分割的方法主要有：(1)模糊聚类方法；(2)统计分类方法,包括支持向量机,神经网络,马尔可夫随机场,条件随机场,自适应模型分类法；(3)基于变分和水平集的方法。由于肿瘤组织和正常组织在灰度分布有重叠,基于象素或体素信息的模糊聚类方法和统计分类方法不容易区分它们。变分和水平集方法构造的能量函数大多不具有凸性,存在大量的局部极值,优化结果很容易收敛到局部极值,另外其收敛速度较慢,容易受到参数选择的影响。自动分割肿瘤图像具有相当大的难度,因为肿瘤及其周围组织的表现和外观比较复杂。在临床上,医生和分割算法间的一些交互信息会极大地提高分割结果的准确性和针对性。目前,半自动交互式肿瘤图像分割算法受到了越来越多的关注,通过简单的交互,可以帮助快速、准确地分割出肿瘤。图割是一种优化算法,近年来受到了人们的广泛关注。在计算机视觉领域中,许多问题能够被表达为能量函数最小化问题。在能量函数的最小化求解中,现有的许多数值求解算法受到较多调节参数的约束,而且往往仅能得到函数的局部最优解。图割技术是一种组合优化理论,它为最优化问题提供了较好的解决思路。首先运用图割技术来求解计算机视觉问题中的能量最小化问题的是Greig等人,基本思路是将图像中的每个像素视为构造图中的节点,用构造图中边表示像素之间的邻接关系,将能量最小化转化为构造图的最小割,并根据最小割为图像中的每个像素分配亮度值。图割技术避免了其它优化算法固有的局部最小缺点,近年来,广泛用于最小化低水平视觉问题中的能量函数,比如图像分割,图像恢复,纹理综合,图像提取,多摄像机的场景恢复,以及医疗影像等计算机视觉问题。在基于图割的图像分割技术中,一幅图像可以被映射成一个加权的无向图,图中的顶点代表图像中的像素点,相应边的权值表示相邻像素之间的视觉性质(比如灰度级别,颜色或者纹理)的相似度,此时图像的分割结果就可以通过求图的最小割方法来获得。Ford和Fulkerson关于最大流与最小割等价的证明使得可以通过求解图的最大流的方法得到最小割。在过去的几十年里,人们提出了许多新的算法试图改善图割的计算性能,降低计算复杂度,但仍达不到实时处理的要求。人们也尝试将其进行硬件加速,Hussein等第一次在GPU上实现了的图割算法,该方法是借助高级绘制语言和图形API在较为复杂的图形流水线模式下编程实现的,其运行速度比CPU上还要慢。统一计算设备架构(Compute Unified Device Architecture, CUD A)技术的诞生开创性的改革了GPU的编程及存储模式,使GPU通用计算(GPGPU)从图形硬件流水线和高级绘制语言中解放出来,开发人员无须掌握图形学编程方法即可在单任务多数据模式(SIMD)下完成高性能并行计算。这一GPGPU计算架构中,提供了类似C语言的开发环境,允许设计人员使用C语言和CUDA扩展库的形式编写程序,从而直接利用GPU资源进行计算,降低了开发的复杂度,提高了开发效率。本文首先研究了CUDA的设计思想和编程方式,对图割算法进行了并行改造,利用CUDA技术在GPU上实现了其并行化,提高了运算效率,并将其用于肿瘤图像的分割。随后就利用图割算法进行肿瘤图像分割时存在的问题进行了深入研究,提出了一种基于优化距离测度学习的交互式肿瘤图像分割方法。该方法对传统的基于图像灰度信息的图割算法进行了改造,引入了图像的高维特征,构造了新的能量函数,通过图割算法进行优化,实现了对肿瘤图像的准确分割。1.基于CUDA的并行图割算法统一计算设备架构(CUDA)技术使GPU通用计算(GPGPU)从图形硬件流水线和高级绘制语言中解放出来,开发人员无须掌握图形学编程方法即可在单任务多数据模式(SIMD)下完成高性能并行计算。在研究了CUDA的设计思想和编程方式的基础上,利用CUDA技术实现了图割算法的并行化,并结合CUDA全局存储器访问,线程块大小及共享存储器分配对计算性能的影响,在实现时进行了优化,相对于传统的CPU串行算法,运算速度有了明显的提升,结合肿瘤的特点,引入感兴趣区域,改进了交互方法,实现了对肿瘤的分割。实验结果表明,该方法分割结果准确、鲁棒性强、执行效率高,易于交互和扩展。2.采用优化距离测度学习的肿瘤图像分割图割算法在分割图像时,仅在图像的灰度空间采用直方图或高斯混合模型来估计待分割目标和背景的灰度分布函数,当目标区域灰度分布与背景区域的灰度分布有明显不同时,才能得到理想分割结果。就CT、MR肿瘤图像而言,肿瘤组织及其周围组织常常在图像灰度分布上重叠,肿瘤组织本身灰度分布也极其复杂。为了实现肿瘤图像的精确分割,提出了一种基于优化距离测度的交互式图像分割算法。该方法首先提取高维图像特征,并采用近邻元分析方法得到特征空间优化距离测度；然后利用KNN分类器估计待分类像素属于肿瘤与背景区域的概率,并构造新的代价函数；最后采用图割优化方法对代价函数优化求解。对肝脏肿瘤CT图像和脑部肿瘤MR图像的实验表明,对于58幅肿瘤区域灰度分布变化较大图像,本方法较传统基于灰度直方图统计的图割分割方法在精度上有显著提高,与手工分割结果的平均重叠率由78%到87%提高了9%。