软组织器官医学图像的准确分割是后续临床诊断与科学研究的基石。但由于软组织器官医学图像有灰度分布不均匀、不同生物个体间差异大以及存在噪声伪影等特点,使用常用的图像自动分割方法难以取得准确的分割结果。为了克服这一困难,本文对基于统计先验的软组织器官自动分割方法进行深入的研究,利用从训练样本中得到的统计先验信息来指导软组织器官的自动分割,以提高软组织器官分割的精度。本文主要研究了两种不同的基于统计先验的软组织器官自动分割方法,并分别进行了实验。本文的研究工作可概括如下:(1)针对软组织器官分割任务的复杂性,根据分阶段、多任务的思想,本文提出了一种基于关键点配准与三维全卷积网络的软组织器官分割方法,将图像分割任务划分为多个分步骤进行的子任务。首先在训练图像上定义带均匀约束的关键点,并以此训练一个回归森林模型来检测待分割图像的关键点位置;之后根据这些关键点提供的统计先验信息训练一个浅层神经网络,指导待分割目标从训练图像到待分割图像上的映射,完成待分割目标初始化;最后使用一个三维全卷积网络对待分割目标的轮廓进行微调,得到最终的分割结果。将该方法用于人体CT血管造影(CT angiography,CTA)图像上心脏目标的分割,分割结果的准确度、Dice系数与Hausdorff距离分别为96.25%,93.98%与2.12个体素,优于所有的对比方法。实验结果显示了本文提出的多任务整合分割方法在复杂软组织器官分割上的优越性,具有较大的临床应用潜力。(2)为了更好地评估软组织器官分割方法的有效性,从分割过程的后续应用角度出发,本文提出了一种基于小动物荧光分子断层成像(Fluorescent molecular tomography,FMT)重建精度的评价方法,用来评价融合了大量统计先验信息的基于主动形状模型(Active shape model,ASM)的分割方法。首先根据训练图像中得到的统计先验信息建立形状模型,接着利用灰度搜索策略在待分割图像上完成模型的形变分割,最后使用FMT重建得到小动物体内荧光团的位置。通过在小鼠micro-CT图像上进行肾脏分割与荧光团重建实验,基于ASM的分割方法对应的Dice系数、Hausdorff距离与重建距离误差分别达到了90%,0.30mm与1.75mm,不仅优于对比方法,重建距离误差也接近手动分割(金标准)对应的误差结果(1.70mm)。实验结果显示了统计先验在软组织器官分割中的作用,验证了使用FMT重建精度来评价分割方法的可行性。综上所述,本文主要研究了两种基于统计先验的软组织器官分割方法,分别从分割方法本身以及分割方法的评估两个角度展开研究,显示了基于统计先验的软组织器官分割方法的优越性以及使用FMT重建精度来评价分割方法的可行性。