随着医学成像技术的发展,医学图像分割在临床医学领域的意义越来越显著。很多疾病的诊断需要医生定量分析相关组织器官的解剖结构,其前提条件是准确地将这些组织器官从医学图像中分割出来。传统的分割任务主要依靠医师手动完成,这种方式需要耗费大量的时间和精力,且准确度很大程度上取决于专家的知识和经验,因此分割结果具有一定的主观性。本文将自适应形状约束的Graph Cuts算法用于三维腹部CT图像分割,以实现肝脏、肾脏和脾脏多目标的自动分割,克服手动分割的缺陷。传统Graph Cuts算法主要利用图像的灰度信息,然而腹部CT图像所包含的组织器官较多,目标轮廓较为模糊,因此容易出现过分割和欠分割现象。为弥补传统Graph Cuts算法的不足,本文在分割图像时充分利用目标器官的形状先验信息,在能量函数中增加惩罚项以约束待分割目标的形状,从而提高图像的分割精度。本文研究内容主要包括以下方面:采用基于多图谱配准的方法分割CT图像中的目标器官,将获取的初始轮廓作为Graph Cuts算法的形状先验。在执行基于多图谱配准的分割过程中,通过权重投票算法融合形变标签图像得到目标器官的概率图。为提高图像分割精度,对初始轮廓进行符号距离计算,以此作为惩罚项约束传统Graph Cuts能量函数,依靠目标概率图自适应地选择该惩罚项的权重系数,准确地实施形状先验的融合。为验证改进后的分割算法的有效性,本文采用自适应形状约束的Graph Cuts算法分割腹部CT图像(3D-IRCADb-01数据集)中的肝脏、肾脏和脾脏。实验结果表明,形状先验的结合能够克服传统Graph Cuts算法分割图像时造成的过分割和欠分割问题;自适应形状先验可以进一步提高算法的分割精度;本文改进后的算法在分割不同病人的CT图像时可得到较好的分割结果,且分割精度波动小,鲁棒性较好。