目前,医学超声图像在临床诊断和治疗中已被广泛使用,主要是由于超声图像的重现性、廉价性、灵敏性、实时性和可靠性等多种独特的优势。然而,在临床实践中,超声图像目标和背景之间的信噪比低,对比度低,存在伪像干扰等特点,超声图像的人工解释通常具有主观性,诊断的结果依据医生的经验。有时经验丰富的医生之间对诊断结果也可能发生分歧。因此,医学超声图像目标轮廓准确和高效的提取,对促进超声图像技术的应用具有重要意义。从而通过计算机对超声图像进行图像处理以提高图像质量,分离感兴趣目标、提取组织特征和根据这些特征为医生提供较客观的辅助诊断成为临床急需解决的问题。近年来,许多研究致力于将轮廓提取的算法应用到超声图像。然而,由于超声图像独有的特性,简单的灰度阈值或传统的边缘检测算法在解决图像噪声、精确定位边缘以及获得连续光滑的边缘线之间的矛盾均未得到理想的效果。GVFsnake模型能较好的解决以上矛盾,同时也克服了传统snake模型对初始轮廓过度敏感和难以收敛至目标凹陷区域等缺陷。但GVF snake模型是以牺牲运算时间为代价,主要运算整个图像域的梯度矢量流场,这样以来,迭代的计算量大大提高,运行时间加大。此外,对于那些噪声干扰极大及边界模糊不清的区域来说,由于GVF snake模型中GVF力场分布复杂,在寻找符合条件的初始轮廓时较为麻烦,需要经过反复实验,通常在超声图像上直接通过手动勾勒方式获取的初始轮廓线,不仅比较繁琐,而且目标提取的结果在很大程度上受人工初始化的影响。同时局部极值点会因噪声的影响而大量产生,致使在非边界处有活动轮廓点停留的现象发生,易导致过度收敛或凹口区域无法提取。为此,本文提出了一种多尺度小波变换模极大值与GVF snake模型结合的方法来提取超声图像轮廓。该方法首先针对噪声与边缘点在不同尺度上具有不同的特性,发挥不同尺度的优势,对各尺度上的边缘图进行综合能很好的解决图像噪声和精确定位边缘的矛盾,从而在噪声滤波和边缘提取中取得一定得平衡,得到精确的二值化边缘图,为医学超声图像进行有效地预处理。紧接着在二值化的边缘图上任意设置包含内部临界点的初始轮廓,即可通过GVF snake模型提取目标区域的精确轮廓。本文提出的方法既解决了小波分析得到的边缘不连续的问题,同时它比传统GVF snake模型具有更好的抗噪性和抗伪像干扰性。此外,本文方法的初始轮廓线设置,过程操作简单易行,避免了以往直接在超声图像上手工勾勒的繁琐过程,最大程度上减小了人工初始化的影响,从而减少了GVF力场和snake形变迭代次数,加快了轮廓的收敛速度,提高了算法的效率。最终提取出颈部淋巴结超声图像的精确轮廓线,实验结果验证了该方法的有效性。