图像分割是将图像划分成多个具有相似特征的区域,并提出感兴趣目标的技术与过程,是图像处理的重要工具。在医学图像领域,分割技术是图像处理的重要组成部分,分析领域研究的重要内容。医学图像分割着重提取具有特殊含义的区域,如组织、肿瘤等,并使分割结果尽可能地接近解剖结构。进而帮助医务人员进行病情分析,诊断及制定治疗方案。目前虽已研究出各种用途的图像分割方法,至今还没有一种能够统一适用于各种图像及不同分割部位的有效方法。由于人体解剖的个体差异较大,分割对象结构性质的千差万别,临床应用对医学图像分割的准确度和算法的执行速度要求较高；又由于噪声、伪影、偏移场效应和部分容积效应等对图像的影响,使得己有的分割算法远未达到理想的效果。同时因无法完全用数学模型来简单描述人们所面临的实际问题；图像退化以及人们对分割结果预期目标互不相同等原因,只能针对特定问题和具体的需求给予合理选择,在精度、速度、鲁棒性和效率等关键性指标上做出侧重或均衡。基于以上种种原因,医学图像的分割一直是医学图像处理和分析领域的热点、难点研究问题。肝脏是人体内最大的、功能最多的腺体器官,在各种各样的基本生理活动过程中,起着十分重要的核心作用。肝脏对整个机体具有广泛的调节和保护作用,它参与体内消化、排泄、过滤、免疫、血液贮存以及各种生物转化等活动过程,因此可以将其称之为人体重要的器官之一。同时肝脏疾病又是常见的危害性极大的疾病,因此对肝脏疾病的诊治就显得尤为重要。肝脏组织的准确、鲁棒分割是肝脏疾病诊断、研究和手术规划中(常用来辅助诊断各种肝脏肿瘤和组织病变)的重要步骤。在临床应用中,即使对于有经验的临床医师,手工分割肝脏组织也是困难且耗时的工作,因此研究精确的肝脏组织自动分割算法具有重要价值,并吸引了众多学者的参与和研究。目前,用于肝脏分割的方法有：基于边缘的方法,区域增长,统计形状模型,图谱配准,水平集,图割等。2007年医学影像计算与计算机辅助介入国际会议举行了一届三维肝脏图像分割的竞赛,其为不同的分割方法提供了一个共同的测试和竞赛平台。竞赛结果表明,基于统计形状模型的方法在其中具有最好的分割效果。而且基于统计形状模型的分割方法也是目前使用广泛的图像分割方法之一。从Cootes提出形状模型和外观模型后,其在2D模型中得到快速发展,但近几年才有了3D模型的发展和应用。3D模型分割需要解决诸如形状表达,形状对应性关系,特征提取,特征表达等问题。其中影响分割结果的重要因素就包括特征的选择与应用,先前的模型的特征一般包括边缘特征和区域特征。边缘特征有法线方向的灰度统计信息,如盖伯小波,贝叶斯特征等；区域特征有动态外观模型,组织内外灰度直方图等。然而这些基于统计形状的外观模型应用于肝脏分割时,由于各自的局限性,效果并不理想。肝脏组织分割的困难在于其自身形状的多变,结构纹理复杂、和周围组织间的边缘不明显等原因,具体可分为以下几方面：1)肝脏病变导致自身形状的变化,及组织内灰度的不一致；2)数据中,有些肝脏组织被施以增强剂,有些则没有,造成不同个体间灰度的差异性增大；3)肝脏在不同人体中,形状、体积和位置迥异；4)数据层间分辨率不同(0.33-8.0mm),层间分辨率小的数据存在明显的阶梯效应等。这些原因使准确分割肝脏更有挑战性。为了解决以上肝脏分割难的问题,我们在统计形状模型的基础上,提出一个新颖的灰度外观模型。这样我们就可以结合从训练集中提取的先验信息,弹性地表达物体的形状。在设计相关方法的时候需要解决两个中心问题：(1)怎样构建一个紧密的统计形状模型,以更精确地表达形状共性与变化。(2)怎样选择图像的特征和设计能量函数,以精确和稳定地将形状模型匹配到图像中的目标上。对于第一点,动态形状模型和中值线模型已可以紧密表达形状的变化。这项工作中,我们采用和动态形状模型相似的点分布模型(网格)。第二点的目的是丰富图像的特征,以及设计能量函数来引导模型的变形。大量的特征已经被用来建立外观模型。可以将之分为四类：(1)基于剖面的特征。剖面是指标记点的法线,而剖面特征即是法线上的灰度向量或灰度派生向量。此方案当物体边界的法线方向有显著的模式时有效,如高对比度的边缘,在相应的标记点存在连续的模式等。但是,对于肝脏CT图像,由于组织运动,在相应的位置经常是不同的混合组织。另外,因为这类特征仅仅依赖边界法线的少量采样,所以对噪声是敏感的,同时容易陷入局部最小值。(2)基于区域特征。以遍布整个物体,或边界标记点的局部区域的灰度概率分布函数或其他灰度变量作为特征。这种方法可以检测到那些难以用梯度来定义边界的物体。同时,标记点之间的对应对于局部区域来说不需要精确,而对全局来说,甚至可以不要。而且这种方法使用了物体和背景的灰度分布的统计知识,不需要使用特设的参数。最后,由于建立在区域信息之上,对噪声的很好鲁棒性,及对初始化的不敏感性。另一方面,如果仅依赖于整个区域的分布,忽略了图像的特殊模式,会降低分割的精度。(3)几种特征的组合。对于特殊的分割,需要特征选择策略,如支持向量机和K近邻分类器,通常可以得到优化的组合特征。(4)其他局部图像描述符。例如,尺度旋转不变图像特征已经用于胸部放射治疗的图像分割。方向特征也已用来分割肝脏和心腔的图像。在我们工作中,开发了一种特征,使分割具有鲁棒性和精确性。如上提到的,基于区域的特征和基于剖面的特征有各自的缺点,经常要受到限制。这里,我们提出一种方法,设法将这两类特征结合,形成组合特征。这种方法具有对噪声的稳定性,对初始化不敏感性,进而精确地分割图像。本文首先研究了传统的区域特征和边缘特征,然后根据肝脏图像的特殊性,提出新颖的区域特征和边缘特征。随后就利用统计形状模型和外观模型进行肝脏图像分割时存在的问题进行了深入研究,提出了一种基于代价函数学习的统计形状模型分割方法。该方法对传统的图像特征进行了改造,引入了适合于肝脏图像的特征,构造了智能的能量函数(目标函数),实现了对肝脏图像的准确、鲁棒分割。(1)新颖的区域特征和边缘特征图像的边缘是图像的最基本特征,所谓边缘是指其周围像素灰度有阶跃变化的像素的结合。图像边缘与图像内容的物理特征之间存在直接联系,图像边缘包含了图像的大部分信息。对于腹部肝脏的CT图像,边缘广泛存在于组织之间,它们是图像分割所依赖的重要特征。首先,本文采用Canny检测算子检测组织边缘,因其定位精度高,对噪声的敏感性低,在噪声抑制和边缘检测之间寻求较好的平衡。除了Canny检测的边缘,我们需要能识别一些边缘不明显的边界区域。高斯混合模型在建模中应用的非常广泛。本文通过对肝脏区域的灰度分布进行统计,使用高斯混合模型拟合,然后估算肝脏组织内灰度的主要成分,将肝脏和其他组织区别开。根据肝脏区域内的主要灰度信息计算待检测点或区域属于肝脏的概率。本文的待测点可以为特征点法线上的内外点,称之为边缘特征；也可以为特征点周围的区域,称之为区域特征。(2)学习的代价函数如何高效的结合本文提出的区域特征和边缘特征,成为关键之处,也是本文要阐述的重点。形状模型最佳接近图像数据需要两方面内容,目标函数(特征组合函数)和代价函数(也即搜索函数)。传统代价函数的建立需要领域知识,且常有局部极值,迭代的特性致使耗时,最后就需要一个复杂的搜索算法。为了可以更好的描述肝脏组织,使形状模型更好的接近肝脏组织,我们通过学习的方法学习组织的不同区域对不同特征的敏感性,从而得到不同特征在各区域的分割权重。本文的目标函数也是代价函数,通过学习而得的各参数可以更好的指导匹配过程的形状拟合。同时降低了分割过程中搜索函数的复杂度,提高了分割的速度。本文采用的基于统计形状模型的灰度模型通过区域特征从总体上识别肝脏组织,又在边缘信息上优化细节。实验结果表明该方法能够提高分割的精度和稳定性。