蛛网膜下腔出血(subarachnoidhemorrhage，SAH)是一种严重的神经系统疾病，具有死亡率高、致残率高、误诊率高等特点。临床上用于诊断SAH最常用和有效的影像手段就是X射线计算机断层扫描(computed tomography,CT)，如何提高SAH检测的准确率是临床医生和研究人员所共同面临的挑战。然而在文献中还未发现专门针对SAH的计算机辅助诊断系统。本文所做的研究就是基于临床上最常用的头颅CT影像，探索SAH的计算机辅助诊断方法，从而提高CT影像诊断SAH的灵敏度和特异性。设计这样一个系统的难点包括以下几个方面:临床CT图像中噪声严重，伪影多，切片间距较大，一般都在5mm以上，使得难以在三维空间中准确分割蛛网膜下腔;大部分SAH出血量较少而分散，其灰度与邻近组织的对比度低，而且出血会随着脑脊液的循环而逐渐稀释，在CT上表现的也不明显，检测困难;另外大脑中的钙化等组织与SAH的灰度范围重叠，难以区分正常钙化和SAH。本文主要针对上述问题，在分析国内外大量相关文献的基础上，对基于CT图像分割蛛网膜下腔和检测SAH等方法做了系统的研究工作，主要创新包括:　　 (1)提出了基于图谱配准分割蛛网膜下腔的方法　　 文献中还没有在CT图像中分割蛛网膜下腔的方法。本研究提出了基于脑图谱配准分割蛛网膜下腔的算法。首先基于一个国际标准脑图谱，手动标记了蛛网膜下腔中SAH高发的5个脑池，构建了一个蛛网膜下腔的脑图谱。然后将该图谱配准到病人头颅CT图像中，从而实现蛛网膜下腔的分割。　　 (2)提出了基于距离变换分割蛛网膜下腔的方法　　 首先检测头颅CT图像中的5种关键参考位置，然后计算每个像素对于各参考位置的距离变换。选择5例正常人数据的手工标注的蛛网膜下腔图像作为训练样本，利用核密度估计得到蛛网膜下腔的距离先验概率。然后基于贝叶斯决策理论，对测试样本计算后验概率，对似然比求阈值，得到对应的蛛网膜下腔。　　 (3)提出了基于支持向量机的SAH检测方法　　 为了提高SAH检测准确率，我们将出血检测区域限定在前述两种方法获得的蛛网膜下腔内。以各个切片中5个典型蛛网膜下腔作为感兴趣区域，选择正常和出血两类样本，提取若干灰度、纹理等特征。然后利用支持向量机进行训练，得到出血分类模型。将出血检测范围从整个切片降为小的感兴趣区域，检测更准确，也不容易受到切片中其他区域不相关信号影响。　　 (4)提出了鉴别钙化和出血的算法　　 头颅CT中钙化主要包括脉络丛钙化、松果体钙化和基底节钙化等。钙化一般为圆形或类圆形，且其位置固定。本研究结合位置信息与形态特征，提出了基于规则的鉴别钙化和出血算法。　　 结合上述方法，提出了一个基于蛛网膜下腔区域检测SAH的计算机辅助诊断系统框架。实现了基于图谱配准和距离变换检测SAH的辅助诊断系统，分别在国内5家医院的129个病例(SAH60例，正常人69例)上进行了数据验证。两个系统在病人水平上的灵敏度均达到100％，在感兴趣区域水平上的灵敏度分别为69.3％和73.5％。在病人水平上基于距离变换检测SAH的特异性为92.4％，而图谱配准为89.7％;在感兴趣区域水平上的特异性分别为92.8％和94.7％。在时间效率方面，基于距离变换检测SAH的系统运行时间在2～3分钟内，短于基于非刚性配准检测SAH的系统运行时间（6～9分钟）。所提出的病变检测方法框架扩展性强，可以适当修改之后适用于其他颅内疾病的检测。