图像分割就是根据与图像底层相关的特征,在原始图像中分割出感兴趣区域(ROI)。而在图像分割中的医学图像的分割领域,由于它具有很大的现实意义、实用价值和临床需求,因而受到了专家和研究者们的普遍关注。本文主要研究的是在CT图像基础上肝脏肿瘤的分割问题,准确的分割结果对于术前评价和手术规划都具有十分重要的参考价值。如何利用算法不仅能准确的提取出肝脏肿瘤,而且只需少量交互操作。因此本文实现了一种改进的因式分解方法分割肝脏肿瘤,并提出了一种结合混合高斯模型与B样条水平集的肝脏肿瘤自动分割算法。首先,本文对目前为止比较普遍使用的图像分割方法和具体针对肝脏肿瘤分割方面的算法探究,以及在肝脏肿瘤分割问题中存在的难点进行分析。其次,本文简要说明了CT图像的成像原理,并对医学图像的DICOM格式文件做全面解读,并探究了DICOM显示原理和与BMP文件格式互换的思路。再次,本文对水平集的相关理论进行分析,并将不同类型的水平集效果对比论证。最后,本文选择对于肝脏肿瘤而言效果还不错的经典DRLSE水平集方法和改进的因式分解的肝脏肿瘤分割的方法进行对比,并提出一种肝脏肿瘤的自动分割算法,结合了混合高斯模型和B样条水平集。本文实现了改进的因式分解的肝脏肿瘤分割算法,使用局部像素不均匀因子(LPIF)方法进行图像预处理。本方法与水平集方法不同的是此方法规避了水平集在图像分割中重新初始化初始轮廓的操作,是一种自动分割的方法。与DRLSE相比,此方法的效果比较好,但是由于肿瘤边缘像素不连续以及图像本身存在的噪声对此方法有一定影响,因此分割结果和标准分割还具有一定差距。本文提出的结合混合高斯模型和B样条水平集的肝脏肿瘤自动分割的方法,避免了在传统水平集中必需的对轮廓初始化的操作,自动根据混合高斯模型处理后的结果确定初始轮廓,减少了人工交互。实验结果表明,本文的算法取得了特别好的分割效果,并且在医学影像学与辅助诊断中具有一定的实用价值。上述内容中所提出的算法,都是经过了多次理论论证和实验证明,其实验数据是由医院提供的真实病例,充分验证了算法的应用价值和鲁棒性。