医学图像分割技术是医学图像处理和分析领域的基础技术之一,它是其它医学影像后处理(如三维可视化、手术导航等)的基础,也是计算机视觉技术中的关键步骤,因此也成为近年来备受研究人员关注的热点问题。参数活动轮廓线模型即Snake模型所特有的高度动态特性,使之非常适用于医学图像的分割和轮廓提取处理。本文首先概述了图像分割的目的和意义,研究的背景和现状,并对参数活动轮廓模型的分割方法进行了综述。其次介绍了传统Snake模型的基本原理、模型与变分法的关系,以及该算法的仿真结果。然后介绍了气球模型、距离势能等模型,并重点阐述了梯度向量流模型,并给出了一些仿真实验。本文针对Snake模型捕获区域有限,弱边界、漏边界的检测等问题,由最小化能量函数入手,提出了一种新的外力模型——方向保持梯度向量流(DPGVF)参数活动轮廓模型,并利用仿真图像和临床采集图像对该方法进行了全面的测试,实验结果表明该方法在很大程度上避免了初始轮廓线离目标很近的边界干扰以及弱边界、漏出边界间隙等问题,提高了对初始化位置的鲁棒性,对于复杂的医学图像具有很好的分割效果。由于医学图像的多样性,使其具有灰度不均匀、噪声干扰等特点,当初始轮廓线的位置选择不合理时,就可能得不到准确而稳定的分割结果。为此,本文融入了神经网络的概念,可以直接将初始轮廓线的位置设置在目标边界的周围,实验表明该方法不但缩短了演化的时间,而且在强噪声的情况下性能稳定,所以更加适用于医学图像分割领域。最后,作者对自己的研究工作进行了总结,并对今后可以开展的工作做了展望。