乳腺肿瘤超声图像的自动分割,是全自动乳腺肿瘤计算机辅助诊断中的关键步骤,具有重要的临床意义。但是超声图像的成像质量一般比较差,例如斑点噪声、低图像对比度和图像亮度不均匀等情况,使得乳腺肿瘤的自动分割成为一项艰难的工作。动态轮廓线算法是一种新颖的求解曲线演化的图像分割方法,具有许多经典图像分割算法所无法比拟的优点,已一定程度应用于医学图像的处理。本文采用基于水平集的动态轮廓线算法研究乳腺肿瘤超声图像的自动分割。目前的动态轮廓线算法若直接应用于乳腺肿瘤超声图像的分割,都会存在一定的缺陷,例如,对噪声和初始曲线位置敏感,存在误分割情况等等。论文针对医学超声图像的特征,提出了三种有效的分割算法。论文针对超声亮度不均匀情况,先提出了一种基于局部能量的动态轮廓线算法,该算法充分利用了图像的局部信息,较好地处理了亮度不均匀乳腺肿瘤超声图像的分割任务,但是算法的计算量仍比较大;论文进一步对其改进而提出第二种算法,改进算法在一定程度上降低了分割的计算量;论文还采纳多分辨率理论中由粗糙到精细的图像分析策略,提出了一种基于多分辨率的动态轮廓线模型,该模型一方面同时利用图像的区域信息和边缘梯度信息进行图像分割,具有高精度的特点,另一方面,采用低分辨率层上获得的边缘形状作为图像形状的先验知识,利于指导曲线的演化方向。由于低分辨率层图像尺寸相应较小,该模型也在一定程度上降低了计算量。论文以所分割的乳腺肿瘤超声图像边缘为基础,建立了一套乳腺肿瘤良恶性分类的计算机辅助诊断系统。该系统采用5个形态特征和3个纹理特征参数作为分类器的输入,对肿瘤的良恶性进行自动判别。在分类器设计部分,论文提出了一种基于伪逆矩阵的选择性集成学习算法来训练神经网络分类器,使分类器具有较高的泛化能力,且易于实现,计算效率高。采用本文建立的系统,对临床采集的132例乳腺肿瘤超声图像(良性68例、恶性64例)进行测试,肿瘤良恶性分类的准确率为88.91%。