所谓图像分割就是根据某种均匀性(或一致性)的原则将图像分成若干个有意义的部分,使得每部分都符合某种一致性的要求。医学图像分割是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础,比如三维可视化、计算机辅助外科手术以及放射治疗等医学应用都假设已经对图像进行了精确分割。病毒性肝炎、脂肪肝、酒精肝、肝硬化及肝癌等肝病是当今社会威胁人类健康的主要疾病之一。肝脏手术如肝脏移植、肝肿瘤切除或消融是目前很多国家治疗末期肝病的重要技术。肝病的计算机辅助诊断以及外科手术规划成为迫切需要。肝脏的精确分割是进行肝病的计算机辅助诊断等的基础,已成为医学图像分割领域的研究热点,并具有广泛的应用前景和现实意义。本文以CT图像为研究对象,探索了肝脏的半自动化分割方法。肝脏分割的难点在于以下三个方面：一是肝脏与其邻接器官组织的灰度差别不大,很难利用灰度差异将它分割出来；二是部分容积效应使肝脏的轮廓变模糊,降低了肝脏分割的可靠性；三是肝脏形状的差异大,不同病人的肝脏形状各异,即使是同一病人也可能如此。水平集方法在当今图像分割领域非常流行并被广泛应用。它的基本思想是建立模型的能量函数,在模型内部控制力和外部图像力的共同作用下使曲线或曲面演化,并使该能量函数最小化,从而收敛到待分割区域的边缘。但是水平集方法也有其缺点,经常出现欠分割、过分割和溢出现象。针对现有的肝脏分割方法的不足,本文提出了基于特殊的水平集方法———DRLSE (Distance Regularized Level Set Evolution)模型的半自动化肝脏分割方法。该方法首先对原始图像进行灰度窗调节、中值滤波等预处理,完成分割所必须的数据准备。然后利用区域增长法进行初始分割,得到肝脏的初始轮廓。最后利用DRLSE方法迭代求出肝脏的最终轮廓,实现肝脏的分割。实验证明,DRLSE方法的分割速度是传统CV方法的15倍,在分割精度方面,DRLSE方法较传统的CV方法也有一定改善。此外,本文利用VTK中封装的Marching Cubes算法,对分割结果进行三维可视化。