尽管可变形模型最初是被用来解决计算机视觉和计算机图形学中的问题,但是它在医学图像分析中的潜力很快就被认识到,并被应用到医学图像的边界检测、匹配、运动追踪、形体表征等多种图像处理技术中。本文从应用研究的角度出发,对可变形模型方法的技术背景进行了详尽的阐述,着重比较代表模型的性能,并根据各种模型及其实现方法的优缺点提出改进方法,将其应用于计算机辅助手术导航系统中的医学图像分割及感兴趣提取。一般说来,可变形模型可以被分为参数可变形模型和几何可变形模型两大类。参数可变形模型在变形过程中把所要研究的曲线或曲面直接表示出来。这种表示方法允许对模型的直接干预,而且可以为快速实时应用提供一个紧凑的表达形式。但对改变模型的拓扑学结构,比如分裂与合并的实现,参数可变形模型却显得无能为力。与此相反,基于曲线演化理论和水平集方法的几何可变形模型能够很容易地实现拓扑学变化,而且很容易进行空间维数的扩展,更加适用于三维图像的感兴趣区域分割。本文列举了传统高斯势能力模型、多尺度高斯势能力模型、气球模型、距离势能力模型、梯度矢量流模型等有代表性的参数可变形模型方法,并用实验对每种方法的优缺点进行了验证和对比。对参数可变形模型必须解决的变分问题,本文给出了梯度下降法、动态规划法、贪婪算法、DDCM模型几种常用的具体求解过程。其中DDCM模型是一种快速且稳定的可形变模型实现方法,本文综合了高斯势能力模型和气球模型的优点,提出了一种改进外力型的具有一定自适应能力的DDCM模型,大量实验证明了这种改进方法的有效性和实用性。本文还讨论了Snakes在应用过程中产生的若干问题:重采样问题,参数选择问题以及轮廓曲线打结处理等问题,并提出相关的解决方法。对几何可变形模型,本文也作了简明却不失系统性的归纳和总结:介绍了曲线变换理论和水平集方法的基本思想;列出了几种不同种类的几何可变形模型,它们的差异在于速度函数的形式;介绍了水平集方法的几种有代表性的快速实现方法,并比较了它们的优缺点。水平集方法的速度函数定义根据所利用的图像信息可以分为两大类:基于图像梯度和基于图像灰度信息。前者根据图像梯度定义速度函数F,在理想情况下,当演化曲线(曲面)位于目标边界时,F趋于零。由于医学图像很可能存在噪声干扰和模糊边界,导致演化曲线(曲面)不能终止与目标边界,往往会出现“漏出”的情况。Chan和Vese提出一种基于简化Mumford-Shah图像分割模型,该方法利用了图像同质区域的全局信息,在边缘模糊或存在离散状边缘的区域,得到了比较理想的分割结果。本文将二维的Chan-Vese模型扩展到三维空间,并对这个模型的实现算法加以改进。根据神经外科手术导航系统的需要,将改进的DDCM分割方法应用于医学图像系列中头皮轮廓提取;并将三维Chan-Vese模型应用于三维医学图像中脑部肿瘤的提取,取得良好的效果。