人类脑部包含多个重要结构,如海马体、小脑、杏仁核、脑干、尾状核等,这些结构影响着人的思维、意识。海马体结构的异常与病变会导致阿尔兹海默综合征、重度抑郁症等多种精神疾病。因此,利用图像分割算法实现人脑海马体结构的精确分割可为临床诊断提供重要的指导意义。本文主要研究了人脑磁共振图像多图谱标签融合算法,实现了人脑海马体结构的自动分割,并将分割结果应用到三维可视化部分,实现了人脑海马体结构的三维重建,直观的展现出分割结果,为临床诊断与医学研究提供参考依据。人脑磁共振图像包含多个组织,不同脑组织之间在灰度上极度相似,各结构之间的组织边界不太明显,且专家手工标记的标签图像会存在误差,导致人脑磁共振图像的自动分割变得十分困难。单图谱配准的传统分割算法在待分割图像与参考图像之间的差异较大时,容易出现比较严重的分割误差。为了提高分割结果的精确度,本文采用图谱集代替单个图谱配准,即利用系列图谱分别与目标图像配准,最后,对多个图谱的分割结果进行融合,得到一致性的分割结果,实现人脑海马体结构的精确分割。在图谱预选阶段,本文采用梯度信息和互信息筛选出相似性较大的图谱图像,减少错误标签对标签融合准确度的影响,提高人脑磁共振图像的分割精度。在多图谱配准之前,利用包围盒算法提取以海马体为中心的人脑磁共振图像,用提取得到的图像块代替原图像参与配准、融合,以改善传统方法对整幅图像处理耗时、计算复杂度高的缺点。在标签融合阶段,研究了人脑磁共振传统分割方法,掌握各算法的分割原理并发现分割过程中的缺陷,提出利用生成模型约束的Graph Cuts标签融合方法,在有效表征图像像素空间相关性和局部统计特性的同时,利用Graph Cuts图割算法优化能量函数,快速准确地分割出人脑海马体结构。通过实验与传统的标签融合方法对比,本文算法具有更高的分割精度。最后,在医学图像三维可视化阶段,研究了当前常用的两种三维可视化算法:面绘制和体绘制,掌握了面绘制和体绘制算法的原理,并利用VTK可视化工具包和QT框架搭建了医学图像的三维可视化平台,利用滚动条实时调节传递参数,实现了三维图像的可视化。