磁共振成像(MRI)作为目前少有的安全无创性、快速、准确的临床诊断方法，被广泛应用于人体内部精细结构的可视化。其中，磁共振成像对于软组织的高对比度和多参数成像特性使其在脑功能研究方面显示出独特的优势，在很多神经性疾病的诊断中，磁共振成像都发挥着重要作用，如多发性硬化症(MS)和老年痴呆症等。为了检测生理或者病理状态的脑组织容量，准确而稳健的组织分类或图像分割非常关键。随着成像技术的不断发展，磁共振图像的大小和数量不断增加，由神经外科医师进行的手动分割非常费时且不具有可重复性，因而有必要利用计算机实现的分割算法对图像进行自动分割。　　 计算机实现的图像分割算法一般分为单参数分割算法和多参数分割算法。磁共振图像具有多参数的成像特性，因而通常选用多参数分割算法进行分割。模糊C均值聚类算法(FCM)是应用比较广泛的多参数分割算法。但是，传统的FCM算法仅基于目标函数进行聚类，需要预先设定聚类数目，并且无法确定聚类结果是否最优。另外，当样本量过大时，FCM算法的收敛时间过长，甚至发生不收敛的现象，这就需要利用其他算法，如分水岭算法、SOM神经网络等先对样本进行粗分，以减小FCM算法的输入规模，加快算法的收敛速度。其中，SOM神经网络可以使高维数据映射成低维阵列，并且对噪声不敏感，更适合用于多参数医学图像分割。　　 基于MRI多参数成像特点和FCM算法的特性，提出了一种SOM-FCM二层分割算法，改进了聚类有效性函数，使得FCM算法在迭代过程中自动产生最优聚类数，使用BrainWeb多发性硬化症模拟数据集对算法进行评估，在不同级别的噪声条件下，比较SOM-FCM算法和传统FCM算法的分割结果。　　 材料与方法：　　 1、使用国际通用的加拿大麦吉尔大学蒙特利尔神经研究所BrainWeb数据集中带有多发性硬化症病灶的模拟脑磁共振图像进行多参数分割算法的研究。　　 2、为证明多参数分割具有理论依据和实际意义，同时减少分割算法的输入样本量，达到降低维度的目的，分别对BrainWeb数据集中的10层图像计算其T1加权像、T2加权像和Pd加权像之间的相关系数，与经验值进行对比，去除与其他图像相关程度较高的加权像。　　 3、使用SOM自组织映射神经网络对T1加权像和T2加权像图像信息进行融合的同时，对输入图像进行粗分割，分割结果为最终目标类的若干子类，用以减少模糊C-均值聚类算法的输入样本量。　　 4、根据Xie-Beni准则改进聚类算法有效性函数，使得模糊C-均值聚类算法在迭代过程中自动产生最佳聚类数目。　　 5、采用正确分割率指标对SOM-FCM算法的分割结果进行评估，并与传统算法的分割结果进行比较分析。　　 结果：　　 1、经过对10层多参数图像间相关系数的计算，得出T1加权像和T2加权像之间的平均相关系数为0.3765，属于轻度相关，而T1加权像和Pd加权像、T2加权像和Pd加权像之间的平均相关系数分别为0.8015和0.8359，均属于具有很强的相关性。　　 2、根据输入样本特征空间的分布特性，最终选用4×20的二维网格结构作为SOM自组织映射神经网络竞争层的拓扑结构，训练结果显示这种拓扑结构使得神经元节点对特征空问拟合程度较好。　　 3、根据医学图像分割的特点，改进Xie-Beni指标有效性函数，得到新的聚类算法有效性函数，并将其加入到模糊C-均值聚类的算法流程中，实验结果显示对于5层正常脑组织图像（像素主要类别包括灰质、白质、脑脊液和图像背景），新的聚类算法有效性函数值于4类处达到最小值，对于5层含有多发性硬化症病灶的图像，新的聚类算法有效性函数于5类处达到最小值，与图像实际情况相符合。　　 4、对于同一层图像的加入1％、3％、5％和7％四种不同噪声等级，使用SOM自组织映射神经网络粗分割图像作为输入数据的改进模糊C-均值聚类算法相比于传统FCM算法显示了更好的稳定性和更高的正确分割率，实验结果有统计学意义(P＜0.05)。　　 结论：　　 1、根据各个加权像之间计算的相关系数得出，T1加权像和T2加权像之间的平均相关系数最小，图像信息之间互补性较大，最具有融合意义。　　 2、改进了Xie-Beni指标有效性函数，提出适合本实验数据特性的新的聚类有效性函数。　　 3、利用新的有效性函数改进的模糊C-均值聚类能自适应的选择最佳聚类数目。　　 4、利用SOM自组织映射神经网络进行粗分割可以有效的降低噪声对于模糊C-均值聚类的影响，是得算法对于噪声更具有稳定性。