在肺癌疾病早期诊断中,最关键的指标是肺癌的早期形态——肺结节的检出率,而只有在CT扫描中采用超微小间隔的扫描方式,即“薄扫”,才能更精确的检测出肺癌早期阶段的关键性病灶。因此,为了提高肺结节的检出率,需要采用薄层CT扫描来精确显示人体微小的组织及各种原发病灶的结构影像。然而,在低剂量CT的薄扫方式下,肺癌的诊断存在两大问题。第一,海量CT影像数据与人工诊断力量严重不足产生了巨大矛盾。面对大规模海量的CT影像数据,理想情况下,需要大量富有经验的、状态持续稳定的医师在不知疲劳的情况下完成诊断,否则,必然会导致误诊和漏诊的出现。第二,由于薄层扫描而引起的CT影像数据的图像质量下降和提高肺部病灶检出率之间的矛盾。采用低剂量CT薄层扫描技术,常会出现图像噪声较多、边界特征信息不明显和图像雾化等图像质量较低的问题,从而影响到早期病灶区域的分割和诊断。此外,在肺部诊断过程中,肺部疾病种类繁多,影像学表现复杂,使得肺部病灶在大规模影像数据下的分割相当困难。尤其血管粘连型结节与空洞型结节诊断结果为恶性的概率极大,如果能在早期就对这两种困难分割型结节图像进行精确分割,将会有效降低当前居高不下的肺癌死亡率。肺结节序列图像的快速精准分割是后续处理和诊断分析的基础步骤。针对以往序列肺结节图像分割算法研究中,空洞型结节分割不完整、血管粘连型结节分割不准确以及序列图像分割效率低等问题,本文提出一种基于超像素和密度聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)的序列肺结节图像分割算法。该算法首先利用CT图像三维特征平均投影密度(average intensity projection,AIP)结合Hessian多尺度圆点增强进行预处理,然后利用六边形聚簇和形态学优化的超像素序列图像分割算法(Hexagonal and Morphological optimize Simple Linear Iterative Clustering,HMSLIC)对图像进行过分割,再通过在超像素块间的距离计算中构造自适应权重系数,实现肺结节的精准定位,得到后续的聚类起始块,同时,通过对距离进行拟合并检测斜率的变化,得到后续准确的聚类阈值,接着采用只对肺结节进行聚类的策略和自适应阈值两方面优化的快速DBSCAN超像素序列图像聚类算法,得到序列肺结节掩膜图像,最终得到肺部CT的序列肺结节图像。实验结果证明,该方法能更快速、完整、准确地分割出各种类型的序列肺结节图像。为解决以往分割算法对血管粘连型结节分割不准确以及分割效率较低等问题。本文提出了基于超像素和稀疏子空间聚类的序列肺结节图像分割方法。首先对CT图像进行序列肺实质分割,然后提取感兴趣ROI图像序列,并采用改进的超像素序列分割方法对感兴趣区域(region of interest,ROI)图像序列进行过分割,接着对所有的超像素样本提取新特征,包括对比度增强直方图特征、超像素样本邻域纹理特征以及基于先验知识的位置信息特征,最后采用距离约束改进的稀疏子空间聚类算法对分割得到的超像素样本进行聚类,得到序列肺结节掩膜图像,从而最终得到序列肺结节图像。实验结果证明,该方法能够准确高效的分割出血管粘连型结节序列图像。