肾脏肿瘤是泌尿外科临床常见病，其种类繁多，可分为良性和恶性两大类。其中，恶性肿瘤占绝大多数，约95％。通常，依靠B超或CT检查可基本明确肾脏肿瘤是良性肿瘤还是恶性肿瘤，但要明确肿瘤的具体类型则只能依靠肾脏活体组织检查方法（简称肾活检）。　　目前，基于CT图像的肿瘤研究算法都是基于病变的形态学变化的分析，而忽略了肿瘤CT图像的纹理特征。这些研究注重影像形态特征分析，完全模仿医生诊断，对提高肾脏肿瘤定性诊断的准确率贡献有限。通过对各种类型的肾脏肿瘤CT图像分析发现:不同肿瘤的CT图像特征不仅仅只有形态的不同，它们的不同更多体现在图像灰度的变化以及纹理的不同。因此，本文对不同类型的肾脏肿瘤进行基于CT图像的纹理特征的分析，基于纹理特征来对肾脏肿瘤进行分类识别。　　本文对腹部CT图像进行分析，分割出肾脏及其肿瘤，自动识别良性与恶性肿瘤后，并进一步对肾细胞癌、肾母细胞癌及肾盂癌三类恶性肿瘤进行细分类，对肾囊肿与肾错构瘤两类良性肿瘤分类识别。探索一种无创的肾脏肿瘤检测方法，从而在减少肾脏肿瘤病人肾活检痛苦的同时为随后的手术治疗、放射或药物治疗起到一定的指导作用。实验取得了令人较为满意的结果。　　论文的主要研究内容包括:　　1.提出了一种改进的区域生长算法分割肾脏，进一步提高了分割精度。医学图像分割一直是医学图像处理的难点和热点，是病变区域提取，体积计算以及实现三维重建的基础，在医学图像处理中具有十分重要的意义。在CT序列图像中，肾脏与肿瘤以及与其它周围器官的边界很模糊，传统的图像分割算法很难得到理想的分割效果。针对医学图像的这些特点，本文提出了一种基于直方图和局部相似性原理的区域生长算法。保证了肾脏区域内部的一致性，能够得到与人类视觉判断基本一致的有意义的区域分割。　　2.提出了一种基于肾脏和肿瘤的纹理差异性的肾脏肿瘤的自动分割方法。肾脏肿瘤大小是衡量肾脏肿瘤严重程度的一个基本准则，肾脏肿瘤分割的精确程度对于肿瘤体积测量、治疗方案的制定，评估治疗效果都是一个重要的基础。因此，自动、快速且精确的分割肿瘤是医学图像处理领域的一个热点。然而，CT图像中肿瘤的形状极不规则性，加之CT图像中肿瘤与肾脏灰度相似，导致肾脏肿瘤难以分割。针对这两个特点，本文提出一种提出一种建立在肾脏分割基础上的肿瘤分割技术，依据肾脏肿瘤和肾脏其它部分纹理的差异性确定肿瘤，取得了良好的效果。　　3.提出一种改进的Marching Cube算法并将其应用在医学图像微管结构的重建，使得重建质量和速度得以提高。　　在医学图像重建时，传统的MC算法简单直接，得到的图像解析度也很高，但存在拓扑结构不一致导致具有二义性以及计算效率低，绘制速度慢两个特点。针对这两个不足之处，本文提出一种改进的MC算法，消除了传统MC算法中存在的二义性，并采用中点法代替MC算法中的线性插值，提高了计算效率。利用改进的MC算法重建医学图像微管结构时，有效地消除了传统MC算法的二义性引起的微管“断裂”现象，并提高了重建速度。　　4.从5类不同肾脏肿瘤病人的173张腹部CT图像中提取出27个纹理特征。　　对于医学图像而言，纹理是其重要特性，不同病变之间的细微差异，在图像上都可通过不同的纹理体现出来。然而，目前绝大多数的癌症病变检出算法都是基于病变形态学变化的分析，这些基于形态学变化分析的病变检出算法难以取得令人满意的效果。究其原因在于，这些算法都忽略了最能体现病变差异的图像的纹理在病变检出中的重要作用，比如纹理的变化，灰度的变化等。本文针对这一现状，充分考虑肿瘤的生长没有方向性和肿瘤具有细纹理的特征，基于灰度共生矩阵和灰度梯度共生矩阵从不同肾脏肿瘤病人的173张CT图像中提取出27个纹理特征，为进一步分类识别肾脏肿瘤做准备。　　5.首次提出一种基于CT图像的无创的肾脏肿瘤分类识别方法。　　目前，确定肾脏恶性肿瘤的唯一途径就是肾活检，这给病人带来了极大的痛苦。针对这一现状，本文在肾脏肿瘤的纹理特征提取的基础上，对提取的纹理特征数据进行归一化预处理。根据本文采用的肿瘤数据具有数量偏小，非线性的特点，综合考虑了各种分类器的优缺点的基础上。采用适合这一特点的SVM方法中的二叉树分类法，在自动识别出良恶性肿瘤后，再进一步识别出两种良性肿瘤和三种恶性肿瘤。当分类识别效果不佳时，采用分类识别得出的结论用粒子群优化算法(PSO)进行参数寻优，得到了较好的分类效果。从而在减少病人的痛苦的同时为随后的手术治疗、放射或药物治疗起到一定的指导作用。