肺癌位居恶性肿瘤(或称为癌症)致死排行之首,已经成为人类健康的巨大威胁。而PET/CT图像在肺癌的诊断治疗中占据着重要的地位。为了在PET/CT图像提供的信息的基础上,辅助医生对肺癌进行诊断,有效的确定靶向区域及“优化”诊疗方案。本文对基于PET/CT图像的肺癌诊疗辅助技术进行研究,包括基于PET/CT图像的融合,分割以及肿瘤生长模型的建立。主要工作如下：为了提高基于医学影像技术诊断恶性肿瘤的准确性和可靠性,辅助医生判断肿瘤边界及对肿瘤进行分期。本文对PET/CT两种模态的图像进行融合。针对PET图像分辨率低,边界轮廓模糊的特点,结合临床诊断需求,本文采用双边交叉滤波器构建CT图像的边缘滤波器对PET图像进行滤波。然后提取输出图像的显著图作为PET图像的融合权重,最后根据PET、CT权重和为1的准则得到融合图像。进一步,在该算法的基础上用测地线距离改进滤波器的核函数,更好的提取了CT图像中的病灶边缘,且参数选择鲁棒性有所提高。该算法能够有效保留PET、CT图像的特征信息,为恶性肿瘤诊断的准确性提供可靠的保障。其次,为了对肿瘤治疗和肿瘤预测的结果进行评估,保证分割标准的一致性,需要加入自动分割方法来辅助医生勾画肿瘤靶区。本文的另一项工作是结合活动轮廓模型对医学图像进行分割。提出了结合Hausdorff距离和RSF模型的RSFH能量项,实现更快的收敛速度和更短的分割时间。该算法在增强的PET图像、超声图像的分割应用中,具有一定的算法优势。之后对已转换为SUV值的PET图像进行灰度值概率分布拟合,建且LSBGFRLS能量项,进一步提高了PET图像分割的准确率。分割结果被用在体积-剂量模型中约束肿瘤生长模型的预测结果。最后,本文基于PET图像,对加入治疗因子的肿瘤生长模型进行研究。结合空间环境对肿瘤细胞生长带来的影响,与Gompertz函数曲线的特点,对模型中的增殖项进行改进,提高了肿瘤预测的精度。该模型可以预测肿瘤细胞下一阶段的变化,辅助医生进行诊疗方案的“优化”及诊疗效果的评估,在肺癌的治疗中具有重要的意义。