图像分割是图像处理、计算机视觉、目标识别等领域中一项最基本的、最重要的技术,也是图像分析领域中一项艰巨的、富有挑战性的任务。医学图像分割作为图像分割中一个不可或缺的分支领域,在计算机辅助诊断、形状统计分析和医学图像可视化等方面起到了重要的作用。分割的目的就是改变对一幅图像中感兴趣的疑似病灶区域的描述,使其分析起来更加容易并且更有意义。医学图像不同于一般的图像,常会伴随着出现弱边界、低对比度、强噪音等现象,正因为医学图像自身所具有多样性和特殊性,才导致了分割的复杂性。近几年,随着医学成像技术和计算机技术的快速发展,特别是CT (Computer Tomography--计算机断层扫描)技术取得的重大进步,对图像分割的精确度和速度提出了更高的要求,当前存在的多数图像分割算法已经难以满足当前复杂分割应用的需求。图像分割算法J正向着高度的自动化、更好的稳定性以及更强的鲁棒性方向在发展。与此同时,医学影像设备实现数字化已经成为现实。DICOM(Digital Imaging and Communication in Medicine--数字化医学图像与通信)标准得到了广泛地应用,使得传统的医学影像资料从局域化走向了网络化,实现了医学影像资料的共享,为建立异地专家会诊、远程医疗等机制提供了可靠的技术支持。本文主要研究了脑出血CT图像的分割算法与疑似血肿区域的提取算法。首先介绍了课题的研究背景与意义,探讨了CT图像在脑出血诊断中的优势；其次,重点分析了DICOM3.0标准的产生、内容、信息模型以及如何在Windows系统下的显示等内容；最后,在分割阶段,本文主要分四个步骤来实现准确、有效地提取疑似血肿区域并计算体积的目标：(1)在粗分割阶段,本文使用基于阈值法的水平方向左右扫描算法来获取颅内部分,去除颅外结构部分,尽可能的减少颅外结构部分给医生诊断所产生的干扰,可以在很大程度上提升分割的速度与精度；(2)在细分割阶段,首先分析了标准的FCM、FCM_S、FCM S1、FCM_EN等算法,针对这些算法的缺陷,本文通过重新设计滤波器提出了改进的FCM算法,针对区域边界点、区域内部点和噪音点进行有区别的对待,通过设置滤波系数将区域边界点和噪音点去除掉；对于区域内部点,根据邻域内像素点到中心像素点的空间距离不同,将邻域内像素点对中心像素点的影响程度设为不同的加权系数,并将这些加权系数作为权值与邻域内相应像素点的灰度值进行加权求和,从而来改变中心像素点的灰度值。通过仿真验证了本文算法对于椒盐噪音和高斯噪音均有较好的分割效果,同时使图像中感兴趣的疑似病灶区域信息得到了突出;(3)将水平集方法与主动轮廓模型相结合来完成对疑似病灶区域的定位。针对传统的PC模型没有利用图像的区域梯度信息以及需要周期性的重新初始化水平集函数等缺点,提出了改进的PC模型,一方面加入了基于区域梯度信息的能量泛函项,另一方面也融入了Li模型中的惩罚项。改进的PC模型在提升分割精度的同时,也提高了分割的速度；(4)快速、准确的体积估算对于许多医学诊断、治疗、评估是至关重要的。本文从病人入院期间所拍摄的脑出血CT图像序列中选取含有疑似血肿区域的图像,利用前面三个步骤,完成对每幅图像中的疑似血肿区域准确的定位与识别,再通过扫描算法提取出疑似血肿区域,逐一统计每幅图像中血肿区域像素点的个数,此时每幅图像中的疑似血肿区域面积S等于像素点的面积乘以血肿区域内像素点的个数,再将每幅图像中的疑似血肿区域面积乘以每幅图像的层厚就可以得出层片图像的体积,最后叠加含有疑似血肿区域的所有CT层片图像,就可以计算出血肿区域的体积,相比较于传统的手工方法,精确度有了很大的提高。