前列腺癌是男性生殖系统最常见的癌症之一,严重威胁着人类健康。因此,前列腺癌的有效治疗有着重要的临床意义,对于降低我国癌症患者死亡率至关重要。图像引导放射治疗技术是临床常用的前列腺癌治疗方法,该方法通常需要准确、自动地分割CT(Computed Tomography)图像中的前列腺部位。然而与周围组织的低对比度、器官运动的不可预知以及不同时间CT图像的较大差异等因素使得自动分割CT图像中前列腺部位成为一项具有挑战性的工作。主要分为一下两点:一、基于在线更新方法的前列腺CT图像分割方法为了实现对CT治疗图像中前列腺部位的快速、准确、自动化分割,本文提出了一种新的基于在线更新机制和随机森林模型的方法。该方法将采样点的Haar-like特征及其标记作为输入,利用自动上下文算法训练出一系列随机森林分类器用于分割新采集的CT图像中前列腺部位;获得新的分割结果并得到临床医生检查后,再通过在线更新机制将该分割结果加入训练图像集中重新训练随机森林分类器。随着放射治疗过程中不断获得新的分割结果,在线更新机制能够使患者前列腺部位的形状信息不断融入到训练过程中,使得随机森林分类器得到持续地更新,最终达到提高分割精度的目的。实验结果表明:在线更新机制的使用能够有效提高CT治疗图像中前列腺部位的分割精度。二、基于群体图像的多任务计划CT图像前列腺自动分割方法针对CT计划图像中前列腺自动分割问题,本文还提出了一种基于群体CT图像的多任务前列腺分割方法。首先,来自不同病人的群体CT图像被映射到不同参考图像空间,从而形成不同训练任务;然后在每个训练任务中利用随机森林算法和自动上下文模型训练出一系列随机森林分类器;将每个训练任务中获得的分类器作用在待分割CT计划图像上,并使用多数投票法求得最终分割结果。实验表明,与传统的CT计划图像前列腺分割方法相比,因为多训练任务能从不同角度充分挖掘训练图集隐含信息,故本文方法能获得更高的分割准确率。