人脑是目前我们所研究的最复杂的信息处理系统,围绕人脑的科学研究被认为是目前最令人兴奋的研究领域之一。脑部疾病具有发病率高、发展速度快、致残率高、复发率高、死亡率高等特点,并且呈现出年轻化的趋势,脑部疾病己发展成为全球社会医疗负担中最大宗的开销。而随着科学技术的发展,医学成像技术已经越来越多地被应用于脑部疾病的临床诊断。脑部医学图像可以更加直观和清晰地反映正常和病变组织的解剖结构和功能代谢变化,而这些庞大的信息需要被实时且准确地进行处理和分析。医学图像分割,是指把图像中的解剖结构或者感兴趣区域的边界勾画出来,是进行图像处理和分析的前提,因此对于脑部疾病的诊断和治疗,脑部医学图像的分割就变得十分重要且必要。本论文主要包括以下几个方面工作:1)基于多图谱配准的分割精度取决于配准的精度,目前尚没有一种配准方法可以达到理想的完全对应,每种配准方法都有自身的优点和缺点,为了整合不同配准方法的优点,提取更多有用的图像信息,我们提出了多方法多参数配准的概念,即利用不同的配准方法在不同参数下将图谱中的灰度图像配准到待分割图像上,得到配准后的标号图像。每一种配准方法在不同参数下可以得到不同的配准结果,这就相当于增加了训练样本的个数,从而可以引入更多的先验信息。2)磁共振图像中海马体、杏仁核等脑部结构边界模糊、对比度不高,传统基于灰度的方法无法实现准确分割。考虑到多图谱分割方法与活动轮廓模型分割的优点,我们将它们相结合,提出了一种新的多图谱活动轮廓模型框架,既可以引入多图谱的先验信息,又可以得到光滑、连续的边界曲线。该模型包含图谱项、数据项和平滑项三部分。图谱项是利用配准后的图谱局部相似性作为权重来融合图谱的有效信息;然后利用待分割图像的局部灰度信息校正配准中的误差作为数据项;并且在分割过程中利用平滑项的约束以保证分割曲线的平滑性。3)在多图谱分割的基础上,本文针对脑结构分割问题展开更加深入的研究。传统图像分割方法往往基于单个像素点,这类特征只能反映图像局部信息,对于边界模糊、对比度不高的脑部结构来说,很难达到理想的分割效果。并且当采用多个图谱信息进行分割时,由于不同图像间存在亮度的差异性,这就导致直接使用图像的灰度信息无法进行准确的分割。为此本文引入了结构信息描述子的概念,该特征向量反映了图像局部与整体之间的关系,可以提供更多的结构、方向信息,具有更强的辨识度和显著性,从而可以提高分割的精度。4)本文引入了图像的分类信息,将训练集中结构信息描述子的聚类中心作为字典元素生成字典,把局部线性表达引入到稀疏表达中,计算字典中每个元素的分类得分,并对它们进行线性组合而得到较为准确的分割结果。梳理以上工作,本文提出了两种针对人脑结构的分割方法:基于多图谱活动轮廓模型的分割方法,基于结构信息描述子与稀疏编码的分割方法。实验表明,与国际上几种前沿方法相比,这两种方法的分割精度均有了一定提高,且具有较强的鲁棒性。