医学影像分割技术是医学影像中的重要技术,医学影像分割的效果直接决定着计算机辅助诊断系统的成败。经过多年的研究,国内外学者已经提出了多种算法,但绝大多数算法都是针对某一具体问题的。本文主要研究基于水平集的医学影像分割。水平集方法的出现,极大地推动了活动轮廓模型的发展。水平集方法和曲线演化模型相结合,克服了传统Snake模型的很多缺陷,极大地拓展了活动轮廓模型的应用领域。本文首先对现有的医学影像分割算法进行了比较全面的综述。在介绍过几何活动轮廓模型和水平集方法之后,讨论了水平集方法的两种快速算法,并总结出水平集方法的优缺点。针对水平集方法计算量比较大这一缺点,本文提出了一种无需重新初始化的基于图像边缘信息的变分水平集图像分割算法,从而完全消除了真正影响水平集计算量的重新初始化步骤,在加速轮廓线演化的同时提高了算法的鲁棒性。针对水平集方法演化速度较慢的缺点,本文提出了一种基于稀疏场方法的水平集分割算法,该方法减少了每次迭代时更新的像素,增加了每次迭代中的时间步长,在加速演化过程的同时提高了演化计算的精度,适宜处理医学影像这类数据量较大的图像。最后,论文指出了进一步的研究方向。