随着计算机成像技术在医学图像中的不断发展,医学图像在医疗诊断中的作用也越来越大。但是,医学图像与现实生活中其他图像存在一定的差别,表现在均匀性差、灰度模糊及其他不确定性。如果病人体内附带有不能脱去金属物件,当电子束扫描病人到金属部位时,就会产生严重的金属伪影,这些伪影不仅降低了图像本身的质量,甚至影响到医生对病变的分析和诊断。因此,借助于医学图像分割技术把图像中的感兴趣区域的边界勾画出来,无论是从诊断还是放疗定位上考虑,都对去除金属伪影起着至关重要的作用。本文重点把信息熵相关的阈值分割方法利用于医学图像,完成的工作主要有以下几个方面：(1)通过医学成像基本过程分析,对医学图像伪影进行分类并研究金属伪影校正的基本原理。(2)介绍以图像区域信息为导向的阈值分割：最佳阂值迭代法与大津阈值分割法。选取了四幅典型的图像进行仿真。实验结果表明最佳阈值分割优于直方图分割。(3)分析基于边缘的分割方法：Prewitt模板,Sobel模板,Laplace算子和Canny算子。对四幅典型的图像进行仿真,结果表明,对于边缘检测算子,若提高检测精度则噪声就会增强而产生不合理的轮廓。虽然该运算时间稍少于阂值分割,但分割效果却产生偏差。与此同时,本文还采用形态运算应用在边界提取和区域填充中。实验结果表明,此法对于有金属伪影的医学图像分割效果较好,对于无伪影的图像则会产生部分失真,但是运算效率明显提高。基于区域增长法中分析了登山算法和分水岭算法。登山算法的优点是不用选择阈值,而且从边缘向中心增长可以避免过度现象。分水岭算法和简单阂值分割不同,它可以对两个灰度相近边界模糊的目标有较好的分割。(4)在一维大津阂值分割法的基础上提出了二维大津阈值分割法,并在有金属物体的医学图像中获得更好的分割效果。在光线较暗成像处,二维分割算法也优于一维算法(5)提出了一种与信息熵相关的阈值分割算法并对医学图像进行分割,主要利用Tsallis交叉熵对金属伪影图像进行阈值分割。目前,基于信息熵概念的阈值分割算法已从一维Tsallis交叉熵法发展为二维Tsallis交叉熵法。一种新的基于灰度-梯度直方图的二维Tsallis交叉熵闽值分割法比传统直方图更加全面地考虑了背景类和目标类的内部点,可以提高分割的效果,遍历的解空间大大缩减。由于医学图像的复杂性,这种算法可以提高运行效率。经过验证,该算法是一种有效的方法。与其他分割方法相比,该算法具有较强的适用性,且分割效果比较好,能有效地分割出CT图像中的金属部分。