核磁共振成像(magnetic resonance image，MRI)具有非介入性、非损伤性、等特点被广泛地运用于医学图像拍摄。医学影像在疾病诊断和治疗等领域中的作用日益重要。医学图像分割是指将医学图像划分成一系列彼此互不交叠的匀质区域。分割的目的是将原始图像划分为一系列有意义的区域或提取图像中感兴趣的区域(region of interest，ROI)。目前，活动轮廓模型已广泛地应用于医学图像分割领域。该模型对图像分割、可视化、配准和解剖组织跟踪等是很有效的。活动轮廓模型基于变分法，将复杂的分割转化为函数的极值问题，即曲线或曲面变形的依据是根据其定义的能量函数最小化原则。本文根据不同的成像质量，从提高分割的准确度、减少计算时间等方面对活动轮廓模型在MR图像分割中的应用进行了分析和探讨。 基于几何活动轮廓模型的水平集方法，是将二维或三维的闭合曲线曲面的演化问题转化为高维空间中水平集函数曲面演化的隐含方式来求解，适应于对拓扑结构变化的处理，其计算精度高，算法稳定，因而得到广泛应用。由于人体解剖结构的复杂性、软组织的不规则性，使得成像质量不理想。而传统的水平集方法仅利用图像局部边缘信息，对边界模糊或者存在离散状边缘的区域，容易产生边界泄漏等问题，很难得到理想的分割结果。本文利用内外两条水平集曲线共同演化，并根据贝叶斯分类理论，在零水平集邻域内计算的统计量控制曲线的演化，在成像质量较差的情况下提高了分割准确度。 Mumford-Shah(MS)模型不依赖于图像的边界信息，根据图像中同质区域的信息最小化能量函数得到最终的分割结果。Chan-Vese(CV)模型简化了该模型，假设同质区域的强度相同，利用水平集方法求解最小化能量函数。因此CV模型结合这两种方法的优点，既不受图像梯度影响又能自动处理曲线拓扑变化。然而在利用水平集方法求解演化方程时，需要对所有图像数据进行反复计算，时间消耗较大。而且只考虑到强度均匀的图像，对于强度不均匀的图像无法得到准确的曲线停止位置。本文利用更新水平集曲线内部和外部的邻域点来达到演化水平集曲线的目的，避免了在求解演化方程中出现的数值不稳定性，并节约了计算时间。同时在邻域窗口计算统计信息，以此得到曲线停止的依据，使最后得到的分割曲线更加逼近真实边界。 由于CV模型的能量泛函存在局部极小解，使得分割结果受初始曲线位置影响。因此本文利用测地线模型改进CV模型中的光滑正则项，改进后的模型能量泛函在基于图像区域信息的基础上同时检测图像的梯度信息，能量泛函极小化后收敛于全局极小解。并根据图像梯度设置自适应大小的局部区域计算统计信息，进一步提高了模型的分割精度。 CV模型将图像划分为背景和目标两个区域，通过对这两个区域的灰度均值进行逼近来达到分割图像的目的。然而当背景和目标灰度值对比度很低时，分割效果不理想。此外，因为水平集函数的定义，CV模型对多个目标不能完全分割。针对上述缺点，本文提出一种结合快速直方图FCM算法的CV模型。即利用快速FCM算法进行聚类，提取图像特征信息，在演化时利用邻域模板对不同目标分别处理，及时控制水平集曲线的分裂。对MR图像分割的实验证明其分割效果较好，并且分割效率也较高。