随着科技的发展,人类已将脑部结构划分成了多个功能区,各个功能区掌管着人类不同的功能。故在疾病研究时,常常需要提取出相应的感兴趣区域(Regions ofinterest,ROI)通过其体积等特征的变化用于诊断和预测。对于ROI功能区的分割,虽然人工手动分割可以得到更高的分割精度,但是耗时耗力且可重复性差,故使用计算机技术进行全自动分割技术已经成为研究热点。基于多图谱图像分割技术在模式识别和医学图像分割领域中取得了较好的效果。本文将对如何更快更准确的获取分割结果展开研究。首先,本文将对目前的基于多图谱的分割算法进行详细介绍及其优缺点的分析,比如多数投票法(Majority Voting,MV)、全局加权投票法(Global Weighted Voting,GWV)、局部加权投票法(Local Weighted Voting,LWV)、非局部均值法(Non-Local Mean,NLM)和基于块的稀疏表示方法(Sparse Patch-based Method,SPBM)等。其次,对于目前基于多图谱的分割算法中表现较好的两种算法NLM和SPBM进行GPU并行加速,使其更快的得到分割结果,使其更满足临床需求。最后,当前的多图谱标签融合框架中存在两个关键问题。(1)忽略了图像域中特征与解剖标签的二进制域之间的显著差异。为最大程度地减少不同灰度差异而优化的权重不一定意味着是标签融合的最佳选择;(2)缺少对块的知识体系和对图谱块的评估。当前标签方法只利用目标块和图谱块之间的关系,而忽略了不相关的图谱块可能会主导投票过程。为了解决这些问题,我们提出了一个新颖的多图谱标签融合框架,以同时描述各种图像块(包括目标块和图谱块),并估计最终优化的内在标签融合权重,以最大限度地减少错误标签的风险。我们已经对我们提出的标签融合方法进行评估,将对海马体、基地神经节区域的深灰质和整个大脑的ROI进行分割,与其他先进的多图谱标签融合方法相比,我们的方法取得了显著的效果,提高了分割的准确性。