医学图像分割是对正常组织和病变组织进行定量分析、三维重建的基础,是计算机辅助诊断的关键步骤,因此要求分割具有很强的目标性和很高的准确性。然而,在临床应用中,由于医学图像本身的复杂性、多样性和各种不确定因素的影响,导致准确分割成为医学图像分析处理的难点。　　基于水平集几何主动轮廓模型的图像分割方法,既能够利用图像本身低层信息,又允许高层知识介入指导,因此在处理结构复杂多样的医学图像时,显示其独特的优越性和广泛的适用性。本文以脑MR图像为主要研究对象,以精确的分割作为研究目标,针对特定的组织结构选择合理的分割算法和分割策略,对基于水平集的几何主动轮廓分割算法提出了几点改进,并在脑MR等医学图像分割实验中验证了改进模型的有效性。主要工作和贡献如下:　　(1)大量的医学图像中存在的灰度不均匀现象给分割带来很大挑战,图像分割算法中广泛采用的基于区域的分割模型常常依赖图像灰度的均匀性,因此在处理灰度不均匀图像时无法得到理想的分割结果。针对这一问题,将图像的局部统计特征引入到互信息度量的分割模型中,抛开全局性的约束,提出一种局域化互信息度量的变分水平集模型。首先,基于灰度不均匀图像模型,在每点局部邻域内对图像灰度特征进行描述,构造一种局域化互信息作为分割的准则。再将该准则引入到水平集的框架中,定义出一种水平集函数表述的能量模型,通过能量函数的最小化,能同时达到分割和偏场估计的联合优化。脑MR等各类灰度不均匀的医学图像分割实验结果表明,本模型提高了灰度不均匀场景下的目标边界识别的精度。　　(2)在传统水平集方法中,为保证演化的稳定,需要周期性地初始化水平集函数为符号距离函数。但现有的大量重新初始化方法都可能使零水平集的位置发生偏移,而且重新初始化计算复杂耗时。针对此问题,提出了一种无需重新初始化的水平集方法,在每次迭代后采用常量核与水平集函数的卷积操作来规则化水平集函数。本方法保持了水平集函数的符号距离函数性质,因此保证了演化的稳定性,且实现简单。