现如今，随着科技的发展，经济的增长，医疗水平也不断提高，出现了各式各样的医学影像检查设备，用于测量和显示人体内器官的形态结构，并通过提取医学影像中的重要医学信息来辅助医生做出诊断，分析人体健康状况。而大脑作为人体核心器官，其不同成像设备所得影像之间的配准问题显得尤为重要。配准的一项重要预处理过程就是脑组织提取，在这种情况下，开发一种快速、稳定的脑组织自动提取方法符合实际的需求。而近年来，由于graph-cuts优化速度快，可扩展性好，广泛应用于图像分割领域。因此本文提出一种基于graph-cuts的脑组织自动提取方法，主要适用于T1磁共振加权图像。虽然graph-cuts作为一种基于图的优化方法，具有全局最优性，但因脑部MR图像存在特殊性，各组织之间灰度差异不大，且分布不均匀，传统graph-cuts方法又对初始参数的设置较为敏感，也容易产生边界泄漏和局部收敛问题。故本文在传统graph-cuts基础上加以改进，提出了一种新的图权重值分配以及边缘权重设置方法，提高了脑组织的提取精度。为了保证脑组织提取的稳定性，本文采用了活动轮廓邻域模型(Active ContourNeighborhood Model)，由改进BET(Brain Extraction Tool)方法演化得到粗略的脑组织边界，并通过形态学膨胀处理后获得初始CN(Contour Neighborhood)，最后在该CN内采用改进的graph-cuts方法进行不断迭代更新轮廓线以及ACN(ActiveContour Neighborhood),直至得到精确脑组织边界。改进BET方法快速且半全局收敛，由此得到的初始ACN已经很贴合脑组织边缘，活动轮廓邻域模型又是不断迭代更新的，具有一定的自适应性。另外对于三维MR图像序列，本文采取的是逐层处理二维切片的方式。由于大脑表面的连续性，本文将中间切片的BET提取结果作为该片的初始轮廓，其余切片的初始轮廓则是在邻近片的基础上变化得到的。这样的初始化方法使得各二维切片的初始ACN更准确，减少了后续脑组织提取工作的失误。同时由于BET方法仅需在中间片执行一次，也节省了运算时间。实验方面，本文所用到的MRI数据均来自于国际脑分割数据库IBSR（InternetBrain Segmentation Repository），这是由哈佛医学院的形态学分析中心开发，专供科研人员对脑组织提取算法做评估的实验数据集。利用IBSR数据集提供的38组公共序列样本及其对应的手动分割标准，将本文方法得到的分割结果与标准分割结果进行对比，计算脑组织分割的相关评价参数。在多个评价参数上，都比现有脑组织自动提取方法的效果好，说明本文提出方法是可行的。