临床上对帕金森病、癫痫、阿尔茨海默病等神经系统疾病的治疗主要为使用药物和实施立体定向手术。脑内很多深层核团,如尾状核、壳核、苍白球、丘脑等都是手术中常见的目标靶区。靶区的精确定位是手术成败的关键,决定着手术的最终疗效。因此,提高靶区的定位精度是目前亟待解决的临床问题。本文对磁共振图像(Magnetic Resonance Imaging,MRI)图像中脑内深层核团的自动识别技术进行研究。全面通过挖掘MRI图像脑部结构特点,采用两种研究思路,实现脑内深层核团的精确分割。本文主要研究内容包括:1.实现一种基于配准框架的脑内深层核团的自动分割算法。首先,利用模板图像,将待分割的若干目标子结构视为一个由若干子结构组成的树型结构模板,根据目标识别的难度对模板中各子结构划分等级;其次,依据整合结构模板,建立能够评价目标核团识别效果的能量函数,其各构成项从不同角度描述了衡量识别效果的准则,且融合了各子结构间的相互关联信息;再次,利用基于马尔科夫场(Markov Random Field,MRF)的脑组织分割方法对整合结构模板中的根结构进行分割,并将其作为后续识别过程的初始化信息;最后,利用基于B样条的FFD配准对初步识别的各目标结构进行优化修正。利用本算法对15例MRI图像进行实验,结果表明,尾状核、壳核、苍白球和丘脑结构分割结果与手工分割结果相似度均大于0.75。与其它基于配准框架的分割算法相比,本算法具有更高准确率,分割结果的平均相似度为0.82。本文利用一种获取先验形状模型的新方法,实现在同一框架下依次对多个脑内深层核团的自动分割。其准确率高,无须人工干预,具有较高临床应用价值。2.实现一种基于改进模糊连接度的丘脑及其子结构分割算法。基于在传统模糊连接度框架内增加梯度特征、采用自适应权重的前期工作基础,利用黑白top-hat变换增强图像对比度;结合置信连接度理论,在计算模糊亲和度之前,对目标核团所在感兴趣区域进行自动划分,并计算该区域内灰度与梯度的统计特征。本算法仅需一个种子像素即可自动获取目标感兴趣区,在模糊连接度框架内引入了梯度特征,并可实现权重的自适应调整,减少了人工干预,提高了分割准确性。采用本算法对25例MRI图像进行实验,结果表明,分割结果与手工分割结果相似度均大于0.75。与其它分割算法比较,本文算法在准确率上具有明显优势,同时具有时间代价小、鲁棒性强、主观影响小的优点。本研究实现了基于不同研究思路的脑部MRI图像深层核团的分割方法,可为医生提供更加科学直观的影像学定位参考,为立体定向手术中深层脑部子结构的自动识别提供技术支持。