前列腺癌是中老年男性常见疾病,也是国内最常诊断的肿瘤。随着人口老龄化和国内饮食结构的改变,可以预见前列腺癌发病率将进一步增高,有可能成为21世纪我们过发病率最高的恶性肿瘤。因此,前列腺癌已成为研究的重点和热点之一。虽然目前前列腺癌的病因和发病机制尚不完全清楚,但是对于前列腺癌的主要治疗方法是放疗。在前列腺放射治疗过程中的第一步就是要把原始图像中前列腺和附近的组织有效的区别开来。在很多方面,前列腺图像的分割也具有着重要的意义,例如判断治疗的进展程度而计算每次放疗的剂量。近年来,在图像分析领域基于模型的分割方法已经成为一种非常有效的分割方法。该方法是通过将一个包含形状和外观信息的模型匹配到新的待分割图像上去,这种分割是以一种自上而下的方式进行的。由于模型包含内在的先验信息,这种方法要比传统的低维方法更能够抵抗局部图像扭曲和其它的干扰信息。对于大批量生产的工业应用,单模板形状已经可以作为一个充分的模型,但是由于生物组织对象变化很大,这种方法就不能够再适用。因此在构建模型的过程中必须要包含最主要的变化信息,能够有效聚集这类信息的直接方法就是通过统计平均来训练大量的形状产生一个统计形变模型。利用活动外观模型对前列腺图像进行分割,首先需要构建前列腺模型,然后再通过初始化和搜索算法调整模型的相关参数将其匹配到待分割的前列腺图像上去。构建模型的几个基本步骤是：形状表示、寻找形状对应关系、形状对齐、降维处理、形状模型、外观模型。其中对模型的质量影响最大的一步是寻找形状之间的解剖对应关系,但是由于三维形状结构的复杂性以及表示形状的标记点数量比较多,所以给寻找形状对应关系造成了很大的困难。从理论上讲,自动计算对应关系的各种算法实际上就是在形状之间进行的一种配准。研究人员已经提出了多种建立形状之间对应关系的方法,如最近邻点迭代法、软分配海盗算法等等。在这些方法中,形状通常用数量不等的点集表示,并寻找最佳的相似变换。但相似变换对点集的形变进行了过度约束,对形状比较接近的训练集如骨骼等比较有用,匹配差异较大的形状则性能较差甚至错误。一致点漂移匹配方法采用不同的思路,不寻找相似变换,用于建立点集之间的对应关系效果良好。在该方法中,点集的空间位置分布采用高斯混合模型表达,将两个点集的匹配视为一个最大后验概率问题。一般的点集匹配方法,都仅利用形状中点的空间位置信息进行形状点集匹配。然而,活动外观模型解释图像不仅利用形状信息还利用了图像特征,如纹理信息。形状中对应点的图像特征实际上也具有一定的关联,相关信息可能有助于进行点集的匹配。同时利用空间位置信息和图像特征信息进行点集匹配,有可能会使最终的活动外观模型更加准确、紧凑。基于此,本文提出在一致点漂移匹配方法中融入图像特征信息,利用图像特征实现对高斯混合模型的调整,使得图像特征近似点的匹配概率相对变大,以期提高点集匹配的精度和最终活动外观模型的分割精度。使用三维前列腺和肝脏点集进行匹配的仿真实验,结果表明本文方法可有效减少匹配误差,其中肝脏点集匹配误差从1.84mm降低到1.54mm,前列腺点集匹配误差从0.83mm降低到0.60mm。利用本文提出的形状点集匹配方法建立活动外观模型,对三维前列腺CT图像进行分割,分割精度也有一定提高,即体素正确覆盖率从88.7%提高到90.2%。