随着计算机技术的快速发展和影像医学在临床诊断中的成功应用,计算机医学图像在临床诊断和治疗中起着越来越重要的作用。轮廓提取和区域分割是获取医学图像中特殊组织定量信息的一个不可缺少的手段,是进行图像理解和识别的基础,同时也是医学可视化的重要前提。医学图像本身的模糊性、复杂性和多样性使得常规的边缘检测算子得到的边缘不连续,使得传统的图像分割技术在弱边缘处容易带来分割的不精确,人们无法很好地提取出医学图像中的目标轮廓线。因此,研究如何对医学图像中的感兴趣区域进行准确的轮廓提取和区域分割是本文工作的出发点。本文的研究目标是提出更加准确而快速的医学图像轮廓提取和分割方法,用以提高医学图像三维可视化、测量及感兴趣区域识别的精度,更好地辅助医学研究和临床诊断。本文首先研究了医学图像的成像原理等基础知识,图像分割领域中目前已经成熟的和正在探索中的主流方法和技术的基本原理,归纳了它们各自的适用范围以及优缺点,然后详细地分析了经典分割方法——主动轮廓模型(Snake)的原理,总结了多种Snake模型的特点。在此基础上,结合医学断层图像的特性从数学几何和人工智能的角度提出改进的Snake模型算法。在该模型算法中,提出了基于所有控制点的重心和相邻三个控制点内切圆圆心的内部能量函数,使曲线更好地收缩到凹陷区域;使用摒弃虚假点的方法设计新的离散型外部能量函数,更有效地指引Snake轮廓线运动到真实边界;基于最大梯度值设计了动态选择控制点算法,提高了收敛效率。最后从定性定量两个角度分析算法的优劣性。同时,本文提出了适合CT、MRI等医学序列图像分割的Snake曲线初始化方法,并将该方法和新的Snake模型算法应用到CT、MRI等序列图像的医学可视化系统中。实验表明,新Snake模型算法在医学可视化系统中能够很好地描述感兴趣区域,提高了绘制精度,并降低了时间复杂度,提高了系统运行效率。最后,对毕业课题所做工作进行了概括,提出了进一步的研究设想。