图像分割是从一幅原始图像中提取出感兴趣目标的技术和过程,医学图像分割是近年来发展较为快速的一个领域,而其中又以器官分割最为基础。本文针对腹部的肝脏、脾脏、左肾和右肾四个器官同时分割的技术进行研究。本文在讲述器官分割的背景和意义之后,首先对现有的几种长常用图像分割算法进行了研究,如:基于图论的图像分割算法,基于活动轮廓模型的图像分割算法,基于阈值的图像分割算法,基于区域的图像分割算法和基于深度学习的图像分割算法。并且,在研究了这几种算法的优缺点之后发现很多实际应用中不会单独采用一种算法,而是采用混合模型算法进行分割以达到精确的分割结果。在临床上,由于CT图像拥有较高的分辨率,可以清晰地呈现腹部器官的结构,对之后的疾病诊断、术前规划和术后治疗等提供了很大的参考价值。因此,图像分割在CT图像中有着非常重要的临床价值。本文是在腹部CT图像上分割肝脏、脾脏、左肾和右肾四个器官。本文针对三维多器官腹部CT图像提出了一种基于卷积神经网络的全自动分割算法。首先,我们对三维卷积神经网络进行训练,利用概率预测图自动定位目标器官。进行训练后的概率图提供了特定的空间先验和初始化,为后面的精细分割打下了基础。然后,为了进一步改进,我们将图像强度模型、概率先验和不相交区域约束统一纳入卷积神经网络的能量泛函中。最后,利用时间隐式的水平集方法对所提出的能量泛函模型进行了有效的优化。我们的方法被用于对140个腹部CT扫描中的四个器官(肝、脾、双肾)进行分割。相对于参考标准,肝、脾和双肾的Dice相关性系数(DSC系数)分别是96.0%,94.2%,95.4%,我们的方法所获得的精度与现有方法相近,但是在效率上则要高得多。其结果表明我们的方法临床应用潜力大、有效性高、鲁棒性强,效率高。