许多疾病(如脑血管疾病和肿瘤)的发生和发展伴随着微血管的变化。光学分辨率光声显微成像(OR-PAM)已被证明是用于监测和研究肿瘤微血管系统的极佳的成像模式。然而,由于肿瘤组织中存在大量的新生血管,且新生小直径血管和部分微血管分布密集的区域光声信号较弱,导致OR-PAM的肿瘤成像易出现血管脉络不清晰、或是血管断裂的情况,给血管类疾病的早期诊断带来困难。因此,利用图像处理技术对OR-PAM肿瘤血管图像进行一系列增强操作,可为后续的血管量化分析工作提供高质量的OR-PAM图像,提高量化评估的准确性。传统的血管分割和骨架提取方法难以有效检测信号较弱的肿瘤微血管,并且以前的研究主要集中在正常组织上,并没有对持续生长的肿瘤微血管做跟踪量化。因此,本文提出了一套适用于光声肿瘤微血管图像的血管分割、骨架提取以及肿瘤微血管量化的方法。(1)提出了基于Hessian矩阵和强度变换的血管分割方法。Hessian矩阵能够通过构造血管相似性响应函数来识别光声图像中的微血管脉络,强度变换进一步增强整个微血管网络的对比度。基于增强后的图像,根据其整体灰度分布自动选取区域生长的种子点,得到分割后的血管二值图像。实验结果证明,本文所提方法能很好的分割出信号微弱、直径几微米的肿瘤微血管的完整脉络。(2)提出了基于多模块快速行进的骨架提取方法。在骨架迭代提取过程中,使用多模块快速行进法(MSFM)计算距离场,能够全方位获取水平、垂直和对角线方向的距离信息,得到的骨架更加平滑准确。此外,在更新源点集时,添加最远点,能够使骨架延伸到血管末梢,得到更加完整的血管骨架形态。实验结果表明,该方法能够准确提取细小分支的骨架,得到完整骨架的同时也能保证骨架提取的正确性,并且最大程度地保留肿瘤微血管网络的原始拓扑结构。(3)本文开展了小鼠黑色素瘤和肝细胞瘤的在体实验,验证本文所提方法的正确性和有效性。通过计算血管直径、微血管密度、弯曲度和分形维数对肿瘤微血管形态特征进行定量分析,揭示肿瘤微血管的生长过程。实验结果表明,本文得到的血管量化参数能够定量分析肿瘤结构,揭示肿瘤生长过程中的血管变化,且实验数据结果与相关文献报道的肿瘤生长机理相吻合。可见,本文所提方法对于肿瘤疾病的诊断具有良好的参考价值。同时,也证明了OR-PAM是研究肿瘤生长的一个很好的成像工具,将进一步促使该技术在肿瘤发生、转移和治疗研究中的广泛应用。