医学图像分割技术是把图像中具有特殊含义的不同区域分割开来,并使分割结果尽可能地接近解剖结构。医学图像分割技术是医学图像处理和分析领域研究的重要内容之一,而脑部肿瘤图像分割因其重要的临床应用价值一直是医学图像分割研究的热点。本文通过分析医学图像分割算法的特点,对MRI脑部肿瘤图像分割技术进行了初步的探索。论文在研究医学图像分割方法及脑部肿瘤图像特点的基础上,重点研究了基于区域和基于变分水平集方法的几何活动轮廓模型的分割算法。在基于区域的分割算法中,主要对模糊C-均值聚类算法和粒子群优化算法进行了深入地研究,并根据MRI脑部肿瘤图像的特点构造合适的适应度函数对粒子群优化算法进行了改进,改进后的粒子群优化算法可以对MRI脑部肿瘤图像进行聚类,并得到较好的分割效果。在基于变分水平集方法的几何活动轮廓模型中,主要研究了C-V模型、Li Chunming无需重新初始化的变分水平集模型和改进的C-V模型。改进的C-V模型继承了Li Chunming模型和C-V模型的优点,不但利用了图像的区域灰度信息和区域梯度信息,并且引入的调节参数可使算法的可控性增强。论文最后研究了脑部肿瘤图像的分割评价准则,并对本文所研究的MRI脑部肿瘤图像分割算法的性能进行了分析和评价。论文通过对基于区域和基于变分水平集方法的几何活动轮廓模型的分割算法的分析,发现这些算法自身都遵循不确定准则,但是可以通过不断的改进,使算法最大限度地满足需求。