在临床诊断和病理学研究中,为了准确地分辨医学图像中的正常组织结构和异常病变,需要对医学图像进行分割。由于医学图像对比度较低,加之组织特征的可变性、不同组织之间或者组织和病灶之间边界的模糊性以及微细结构(如血管、神经)分布的复杂性,使得医学图像分割成为一个难点。论文在分析了国内外有关医学图像分割方法相关文献的基础上,基于Agent原理与技术,提出了一种新的基于MAS(Multi-Agent System)的医学图像分割方法。论文的主要工作及创新点是:(1)对国内外典型医学图像分割方法进行了深入地分析,综述了图像分割的基本方法,并针对医学图像的特点,阐述了基于MAS的医学图像分割方法的可行性和必要性。(2)对MAS协作求解机制和Agent群体强化学习进行了详细介绍。讨论了几种典型的MAS体系结构,指出MAS不仅在结构上存在相关性,而且在行为上也存在相关性,这些相关性正是MAS协作的起因。将传统的强化学习技术引入到MAS中,形成Agent群体强化学习机制。(3)在上述工作基础上,通过对典型MAS组织结构优缺点的分析,提出一个基于Agent图(Agent Graph)的三级MAS协作组织模型,该模型较好地兼顾了系统对通信开销、效率、可靠性等方面的要求。以个体强化学习和Agent组(Agent Team)的概念为基础,设计了一种引入先验知识的强化函数,提出了基于Agent组的群体强化学习算法。(4)针对医学图像分割,提出一种图像分割的高层模型,对该模型的各个部分进行了详细介绍,指出了模型设计中的几个关键问题。根据该模型,给出了基于MAS的医学图像分割技术的流程和关键算法。(5)利用论文的分割算法对图像进行了分割实验,人脑模拟图像组织的分割和FCM方法的分割视觉效果对比,人脑冠状面MR图像的MAS分割和ML分割及CGS分割的比较以及异常脑组织的分割实验结果表明,论文的基于MAS的自适应分割算法较好地完成了图像的分割,视觉效果良好,具有很好的适应性,分割效果与领域专家的意见基本一致,在医学应用上具有实际意义。(6)基于集对分析SPA(Set Pair Analysis),给出了分割方法评价模型,并用该方法对论文的实验工作进行了初步的分析比较。