医学图像分析在计算机辅助诊断中发挥着重要的作用。医学图像分割属于医学图像分析中的核心之一,其目的在于从周围组织中识别出人体脏器的解剖结构。CT图像以一种非侵入式的方式为临床诊断提供高清晰和高信噪比的组织器官的解剖结构图。在基于CT图像的临床肝病诊断领域中,肝脏和肝脏肿瘤的准确和可靠的分割是后续跟进的治疗计划制定,计算机辅助手术和治疗结果验证等阶段的重要前提。然而,在当前的临床实践中,专家们主要还是以手动的方式一张一张地描绘出肝脏与肝脏肿瘤的轮廓。这种方法能够得到可以说是最准确的分割结果,但是耗时,乏味费劲,且分割结果带入主观性。此外,由于CT图像存在弱边缘性,低对比度性和灰度不均性等特征,实现肝脏和肝脏肿瘤的准确分割被视为一项困难的任务,其算法一直是医学图像处理领域的研究热点。本文针对CT图像中的肝脏和肝脏肿瘤,分别提出了一种分割算法。两种算法的核心框架是一个新型的统一化水平集算法(Level Set Method,LSM),通过结合图像的区域信息与边缘信息来演化轮廓。该水平集应用于肝脏分割时,相比于单信息驱动的水平集更能抵抗边缘泄漏;应用于肝脏肿瘤分割时,能够比其他分割模型取得更好的分割结果。对于肝脏分割,首先提出一个混合图像预处理算法,包括各向异性滤波,特定比例梯度滤波,非线性灰度转换和自定义二值化,将输入的CT图像转化为二值图像,二值图像提供的环境条件帮助区域增长克服了对初始种子点的位置设置与增长阈值的设置的敏感性。然后在得到的二值图像上设置少量种子点,通过区域增长来提取一个大致的肝脏区域。最后使用统一化水平集对粗分割结果进行优化。该方法在来自SLIVER07和3Dircadb两个公共数据集的共40个腹部序列上进行验证。验证结果表明本文方法能够得到期望的分割结果,并且相比于其他多个主流半自动分割算法需要更少的交互。对于肝脏肿瘤分割,应用一个基于局部灰度聚类的水平集算法和隐马尔可夫随机场与期望最大值算法(Hidden Markov Random Field.and Expectation Maximization,HMRF-EM)为统一化水平集构建一个增强的边缘指示器。通过这种优化,统一化水平集相比于其他多种分割模型能够得到更接近于金标准的分割结果,即使是对于复杂的肝脏肿瘤。该方法在来自MIDAS和3Dircadb两个公共数据集的共125个肝脏肿瘤上进行验证。MIDAS数据集的验证结果表明该方法对于不同的金标准具有鲁棒性,3 Dircadb数据集的验证结果表明该方法在分割准确性与效率性方面,与主流算法相比十分具有竞争力。最后,基于MATLAB开发环境,将提出的肝脏分割算法与肝脏肿瘤分割方法集成,开发了一个用户程序。该用户程序体现出了简单性、一致性与反馈性的优点。此外,通过在所有的40个肝脏和125个肝脏肿瘤上对用户程序进行测试,测试结果表明该用户程序能够实现肝脏与肝脏肿瘤准确可靠的分割。