医学图像分割是图像分割的一个较早应用领域,是医学图像分析环节的关键技术,也是临床医学应用中的重点与难点,并在影像医学中发挥着越来越重要的作用。所谓医学图像分割就是利用先进的计算机技术将医学图像中的肿瘤、脑挫裂伤灶、病变组织、血肿、细胞、弥漫性脑肿胀、血管等感兴趣的目标区域从医学图像背景中分离出来,是医学图像三维重建、可视化的基础,同时也是对病变组织的边界、形状、截面面积及体积进行定量测量的前提,在医学图像处理和应用中具有重要意义。近几年,医学图像分割方法的一个发展趋势是在研究新方法、新思想的同时将各种已有方法进行融合,以结合各方法的优势,获得某种分割准确、可操作性强、实时性高的医学图像自动分割算法。目前,模糊集与水平集的结合都是两种方法的简单组合,并没有实现真正意义上的融合,且需要人为对水平集的控制参数进行优化配置,没有做到医学图像分割的自动化。所以,本文主要研究基于模糊集与水平集的医学图像分割算法,主要工作总结如下：(1)研究基于模糊集理论的医学图像分割,提出了一种改进FCM算法。在研究模糊集数学理论知识的基础上,重点研究了FCM算法,并针对FCM算法抗噪性能差的缺陷,本文提出了一种改进算法。实验结果表明,与传统FCM算法相比,本文改进算法具有很好的抗噪性,且分割精度高。(2)研究基于水平集方法的医学图像分割,提出了一种新模糊水平集算法。在研究曲线演化理论与水平集方法数学模型的基础上,着重研究了水平集方法应用于图像分割时的演化方程,并研究了水平集方法中各控制参数的取值优化准则、作用与意义。最后,针对传统水平集分割方法存在计算量大的缺点,重点研究了水平集方法中的LCM模型,并将改进FCM算法与LCM模型相结合,提出了一种新模糊水平集医学图像自动分割算法。实验证明,本文方法在进行医学图像分割时,不但具有高的分割精度、快的分割速度、强的抗噪性能,而且实现了分割的自动化,操作简易。(3)设计并开发了一套医学影像计算机辅助分割系统。为了在同一平台上对本文方法和其它分割方法进行定量与定性地分析比较,本人还开发了一套医学影像计算机辅助分割系统,能够对同一幅医学图像使用多种方法分割,并能对各方法的分割性能、分割精度与分割速度进行定量与定性地分析。