肝脏是人体最大的消化腺和解毒器官,同时也是胆汁生成的场所,而众多功能的集成导致其成为易发肿瘤的主要器官之一。近年来,肝癌已经跃居全球癌症死亡率的第二位,因而,对肝脏疾病的预防和治疗迫在眉睫,已成为全世界关注的热点和重点。CT成像能够获得较高分辨率的肝脏解剖结构信息,且当肝脏发生病变时,通常表现为灰度不均匀、边缘不平滑等特征。由此,CT已成为临床肝脏疾病诊疗的重要成像方式之一。分割技术能够从CT图像中检测出肝脏的形状轮廓信息及病灶的结构信息,该信息对肝脏功能评定、肿瘤识别及手术治疗等具有重要的临床应用价值。然而,肝脏紧邻脾脏、胃和肠道等器官组织,器官组织间的灰度特征差异度较小;此外,肝脏的个体差异性较大、其组织结构和空间位置易受外力影响而发生较大幅度的形变。迄今为止,从CT图像中实现肝脏轮廓的准确分割与检测依然是世界性难题。本文在深入研究现有分割方法的基础上,提出了自适应表面扩张模型、先验稀疏字典及先验稀疏统计形状模型三种肝脏分割方法。实验结果表明,三种分割方法均可实现较高精度的肝脏分割,其中,基于稀疏统计形状模型的方法分割精度更高。本文的主要创新性工作包括:(1)针对传统形变模型在形变过程中易陷入局部最优而难以实现肝脏凹陷区域准确分割的问题,提出了一种结合自适应表面扩张和三角剖分优化的肝脏分割方法。此方法利用单纯形表面模型构建了肝脏的初始边界,并利用模型的顶点及其邻域顶点间的关系构建了模型内力及其约束;在模型的外力中引入气球力,并利用图像中肝脏的Gabor边界特征构建外力约束。此外,构建了一种自适应的三角剖分优化算法,在形变过程中对模型自适地插入新的顶点,实现肝脏精细结构的准确提取。(2)针对机器学习方法需大量训练样本而影响分割效率的问题,提出了一种基于先验稀疏字典和空洞填充的肝脏分割方法。此方法利用金标准图像与待分割图像配准后的肝脏边界作为待分割图像的初始边界,并在初始边界点邻域内选择测试样本集,从而实现样本数量的减小;利用训练图像的Gabor特征图像和灰度图像建立肝脏边界特征的查询字典,结合测试集和查询字典计算稀疏系数及重构误差;提出一种基于肝脏表面信息的空洞填补方法,对肝脏边界进行补全和平滑处理,从而确保分割结果具有较高的平滑性和准确性。(3)针对现有统计形状模型与待分割图像较难配准的问题,构建了一种基于肝脏边界先验形状信息的稀疏统计模型。此方法基于肝脏先验形状模型顶点坐标构建查询字典,并结合待分割图像与先验形状模型中对应点的稀疏编码重构稀疏统计形状模型,从而提高稀疏统计形状模型与待分割图像间的配准精度;基于稀疏统计形状模型顶点在待分割图像上的灰度信息及其邻域范围内的边界信息,构建了特异性灰度能量和边缘能量,进而构建稀疏匹配能量约束模型,在优化迭代过程中能有效驱动统计形状模型趋近肝脏边界,实现对肝脏的精确分割。