医学图像分割是医学图像三维重建、疾病诊断、外科手术规划、医学教学研究等许多医学应用中的一项关键性工作。目前对医学图像分割的研究主要集中在全自动分割领域,其中基于多图谱的分割(Multi-Atlas Segmentation,MAS)方法由于其优越的分割性能,成为近年来的研究热点。在MAS中,标记融合是决定分割结果的重要步骤之一。目前的加权标记融合算法大多利用图谱与待分割图像的灰度、形状等信息进行权值设计,较少考虑配准变换场的影响。本文将图像灰度信息和配准误差信息同时考虑在内,提出了一种新的标记融合算法。论文主要研究工作如下:由于本文提出的标记融合算法在权重设计中融入了配准质量指标,需要借助配准质量评估算法,因此,本文对配准质量评估算法进行了深入研究,基于三维脑磁共振图像数据集,使用多回路配准质量评估算法(Assessing Quality Using Image Registration Circuits,AQUIRC)进行配准误差分析,全面分析算法对线性配准误差和非线性配准误差的评估性能。在线性配准误差实验中,构建多回路图像网络,设计不同类型、不同形变幅度的线性变换构造模拟误差,分析算法估计结果与目标配准误差的相关性。实验结果表明,AQUIRC算法对缩放、错切和旋转变换引入的配准误差具有良好的评估性能,但不能正确估计仅由平移变换引入的配准误差。在非线性配准误差分析实验中,分别进行了局部球面化模拟误差实验和真实图像实验,结果表明AQUIRC算法能够对形变程度在3mm以上的非线性模拟配准误差的位置和幅度做出正确估计,也能正确反映真实图像的配准误差。提出了基于配准误差分布和灰度相似性的标记融合算法(Registration Error and Intensity Similarity based Label Fusion,REIS-LF),将权值计算转为分割结果与真值的误差最小化问题,在不同标记权重分配时,用基于配准回路的误差分析算法估计非线性配准误差,同时考虑图谱间的相关性,用两幅图谱与目标图像的配准误差和灰度相似性共同表示二者同时提供错误标记值的概率,将其用于融合权值的计算。使用三维脑磁共振图像进行实验,对海马、丘脑、基底核各核团等脑结构进行分割,其中,配准算法采用Demons非线性配准算法。比较本算法与基于配准误差的加权融合算法(AQUIRC Weighted,AQUIRC-W)的分割结果,实验结果表明,本文算法较之AQUIRC-W算法,具有更好的分割质量,分割精度得到了有效提高,且对不同的图像数据具有更好的鲁棒性。