在临床应用上,病变肺的分割是肺部疾病诊断与治疗中非常关键的问题之一。然而,由于复杂的结构、病理的改变、个体的差异性以及较低的成像质量,临床上对三维低剂量CT图像进行精确的肺分割依然是挑战性难题。为了克服以上问题,本课题提出种新颖的基于字典的全自动肺分割算法。该算法将特征矢量空间的形状先验模型融合进传统的形状稀疏表示模型中,新模型命名为特征空间的形状稀疏组合。该算法可以很好地克服由于细微的甚至错误的外观先验信息导致的形状重建错误。首先,使用基于阈值分割得到二值图像的顶点定位算法可以快速获得初始形状。该初始形状与平均形状相比,更加接近目标边界,便于后续算法在该初始形状基础上对表面顶点进行局部微调。接着,将具有分辨能力的外观字典学习算法和法线方向搜索的局部表面顶点调整算法相结合,解决表面顶点定位中病变区域以及一些局部细节丢失问题。最后,使用一个全新的基于梯度矢量流场的精确表面顶点定位算法得到病变肺精确分割结果。与法线方向的表面顶点定位算法相比,基于梯度矢量流场的定位不仅考虑待分割肺的形状信息,而且可以很好的利用外观信息。因此,该算法可平缓地驱使表面顶点向目标边界靠拢,避免分割结果陷入局部最小。本文提出的算法在78个患有肺肿瘤的临床3D低剂量CT数据上实验,并将实验结果与单独的法线方向表面顶点定位、传统的形状模型、传统的相关分割算法以及深度学习算法等进行比较,定量和定性的实验结果表明本文算法在分割病变肺方面具有明显的优势。