近20年以来,随着各种新的医学成像技术的临床应用,脑肿瘤诊断和治疗技术取得了很大的进展。磁共振成像(MRI)作为诊断脑肿瘤的一种重要的手段,不仅对软组织具有很高的分辨率,而且对人体无损,因此,当今MRI成了人们进行脑功能、病理和解剖研究的主要手段。肿瘤边界轮廓包含着丰富的肿瘤病变特征信息,临床医生往往是通过对肿瘤病变轮廓特征信息的分析,来对疾病进行定性和分类的。因此,精确的脑组织分割对于探测脑肿瘤的病理类型、放疗计划的制定、外科手术计划的制定和仿真、脑结构的3D可视化和定量测量等具有重要意义。主动轮廓模型(active contour model, Snake)是由Kass在1987年提出的,是医学图像分割的一种重要工具,该模型的主要原理是先提供待分割图像的一个初始的轮廓位置,并对其定义一个能量函数,使轮廓沿能量降低的方向靠近。当能量函数达到最小时,所提供的初始轮廓收敛到目标的真实轮廓。传统主动轮廓模型存在对初始轮廓线敏感和不能收敛于凹形边缘的问题,尤其是需要依赖其他机制将初始轮廓线放置在感兴趣的图像特征附近。本文详细介绍了传统主动轮廓模型的算法原理,并从初始轮廓选取和外部力定义两方面对传统主动轮廓模型提出改进:首先,针对传统主动轮廓模型初始轮廓选取时所面临的问题,结合脑肿瘤MRI图像的特点,采用改进的区域增长算法将MRI图像中的肿瘤区域分割出来,并将得到的边界作为主动轮廓模型的初始边缘轮廓;然后分别用sobel梯度算子和梯度矢量流(GVF)进行主动轮廓模型外部力的计算,提高了目标区域的提取精度。与手动选取初始轮廓相比,本文提供的方法可以减少人为干预,提高效率,实验结果表明,改进的主动轮廓模型在脑肿瘤的轮廓提取中能取得良好效果。但是对于浸润性生长的肿瘤,成像中往往与正常组织交叠,边缘模糊,本文中介绍的基于GVF的主动轮廓模型可以比传统的基于梯度的模型更好地辨别分割出真实轮廓。