医学图像的准确分割是计算机辅助诊断和感兴趣目标定量分析的关键环节。受成像机理限制,医学图像往往具有模糊、灰度不均匀、弱边界等特点,使医学图像的准确分割成为具有挑战性的问题。模糊连接度是基于模糊集理论的图像分割算法。该算法通过计算邻近度函数和亲和度函数来表达像素之间的连续性和相似性,从而实现对象的定义。由于模糊连接度同时考虑了图像的灰度特征和空间特征,因此在处理模糊图像时能得到理想的分割效果。本文在研究模糊连接度理论的基础上,提出两种鲁棒的医学图像分割新算法。具体工作如下:1、针对区域尺度拟合水平集模型(RSF-Level set)对初始轮廓设置的敏感性,提出一种利用模糊连接度引导初始轮廓的水平集分割模型。首先,使用模糊连接度算法获取感兴趣目标的边缘,将其映射为水平集模型的初始轮廓,降低了构建初始轮廓的复杂度和计算成本。然后,基于初始轮廓的形态特征和模糊连接度参数,建立了水平集演化控制参数的估计方程,提高了自动化程度。最后,利用水平集模型迭代演化,在区域和边界的合力作用下使演化曲线尽快准确地收敛到目标边界。设计实验与K均值聚类、模糊C均值聚类、均值漂移聚类和脉冲耦合神经网络(PCNN)四种初始轮廓引导机制进行比较,结果表明由模糊连接度提取的初始轮廓能够更好地接近目标边界,具有更好的边缘贴合度,算法的平均Dice系数高达94.97%,比对应的四种初始轮廓引导机制分别高6.44%、5.96%、2.16%和 11.72%。2、针对传统脉冲耦合神经网络设置参数多和特征单一的问题,提出融合模糊连接度和脉冲耦合神经网络的新思路。首先,使用模糊连接度算法提取图像的灰度相似性特征和距离空间特征(模糊连接度矩阵),然后将模糊连接度矩阵作为脉冲耦合神经网络的刺激输入,同时根据图像边缘梯度信息自适应选取迭代阈值。最后,计算基于模糊连接度的最小交叉熵来自动调整脉冲耦合神经网络的最佳循环迭代次数,得到最终分割结果。实验结果表明,本文算法在准确性和自动化程度方面比经典脉冲耦合神经网络有明显提升,平均Dice系数高达96.98%,比标准脉冲耦合神经网络、交叉皮质模型、脉冲皮质模型、简化脉冲耦合神经网络和基于最小交叉熵的脉冲耦合神经网络分别高13.43%、12.64%、15.65%、12.32%和 18.42%。