随着医学影像技术的迅速发展,CT、核磁共振和超声等成像方式在计算机辅助诊断,手术规划与仿真和放射治疗规划等方面已经得到了广泛地应用。通过对医学图像序列中的器官进行三维可视化,医生可以和人体器官的解剖结构进行虚拟地交互,从而获取重要的诊断治疗信息。而将目标器官从医学图像序列中准确地分割出来是对其进行有效三维可视化的前提。可变形模型(Deformable Models)是一种在医学图像分析中被广泛使用的分割方法。它通过综合各种内部能量和外部能量来对曲线或曲面进行演化(Evolution)和变形,以达到分割目标物体的目的。在可变形模型中,主要有两种被广泛使用的演化方法(EvolutionMethods):最小化能量泛函的贪婪算法和基于物理的方法。贪婪算法已经被证明不仅在计算开销而且在分割精确度上都优于基于物理的方法。Simplex网格是一种在基于物理的三维可变形模型中高效、灵活的曲面表示形式。为了充分利用贪婪算法的各种优点,本文提出了一种新的基于贪婪算法的可变形Simplex网格。GGVF (广义梯度矢量流)场是基于物理方法的可变形模型中广泛使用的经典外部力场。可变形模型中的传统外部能量(图像灰度值和梯度幅值等)存在着许多问题,比如:对初始化和噪音的敏感性,有限的捕获范围和无法准确地收敛到凹状的目标边缘等。为了克服可变形模型中各种外部能量的缺陷,本文将GGVF场修改成了GGVF外部能量并应用于贪婪算法。为了验证新提出的三维分割方法的性能和准确度,本文对一个模拟的三维星球数据和临床的三维医学图像进行了定性测试,并对一个模拟球体数据和对其加入高斯噪音后的数据做了定量分析。由实验结果可以得出以下结论:对模拟球体数据和对其加入高斯噪音后的数据分割时的平均径向误差(MeanRadialError)分别为0.55个像素和0.59个像素;新提出的三维分割方法能成功地对不同的三维数据进行分割,并能达到子像素(sub-voxel)精度。