摘要：脑血管疾病是危害人类身体健康和生命的主要疾病之一。数字减影血管造影(DSA)图像因为能够真实呈现脑血管的形态、结构以及病变情况,成为血管影像检查的金标准。但DSA图像存在的模糊性和投影交叉等问题易使医生误诊或漏诊。因此,需对DSA图像进行后处理,正确的对血管结构进行描述。在此过程中,血管的分割和‘中心线提取发挥着重要作用：分割和中心线提取结果不仅可以用于血管树的三维重建；也可以帮助医生来估计血管疾病病变程度。本课题围绕DSA脑血管图像的血管分割和中心线提取展开探讨与讨论。首先总结目前常用的血管分割算法,重点描述了模糊C-均值(FCM)聚类算法在分割中的应用。并针对传统FCM算法存在的迭代次数多、对噪声敏感的问题,将空间信息和聚类准则引入目标函数中,提出一种改进的FCM聚类算法用于DSA脑血管图像的分割。实验结果表明,改进FCM算法比传统FCM的迭代次数少,对噪声鲁棒,其分割的精度也较好。然后总结目前常用的血管中心线提取算法,并按提取方式将其分为两类：基于分割结果的间接法和基于源图像的直接法。接着阐述了两种中心线间接提取算法：1)快速行进法和距离场相结合的自动提取算法；2)基于索引表的细化算法。实验结果表明,基于距离场的快速行进法可实现平滑血管中心线的自动提取；基于索引表的细化算法则能得到完整血管树的中心线。最后探讨了最小代价路径(MCP)算法在血管中心线直接提取中的应用。针对传统MCP算法提取血管中心线时存在偏向血管侧壁的问题,提出一种基于高斯剖面的点校正方法对提取的中心线进行校正,再利用梯度和三次B样条对校正点进行删除和拟合得到最终的血管中心线。实验结果表明,这一改进算法相较传统MCP算法而言,可得到更靠近血管中心的平滑中心线,且对噪声具有鲁棒性。图21幅,表3个,参考文献72篇。