1、隨著計(jì)算機(jī)斷層成像(Computed tomography，CT)和核磁共振成像(MagneticResonance imaging，MRI)在醫(yī)療臨床診斷、治療計(jì)劃的制定、以及臨床研究中應(yīng)用的越來(lái)越多，我們用計(jì)算機(jī)來(lái)輔助放射學(xué)科專家進(jìn)行圖像分割成為必須的條件，這就需要我們提供可靠的算法來(lái)分析圖像的解剖結(jié)構(gòu)、感興趣區(qū)域。但由于部分容積效應(yīng)與偏移場(chǎng)的影響，CT與MR圖像中的灰度會(huì)產(chǎn)生不同程度的變異，這成為局限這兩種圖像應(yīng)用的掣肘。

2、　　基于水平集模型的圖像分割方法屬于動(dòng)態(tài)輪廓線分割方法的一種，被廣泛的應(yīng)用到醫(yī)學(xué)圖像分割當(dāng)中。水平集分割方法的優(yōu)勢(shì)主要概括為實(shí)用、便捷、迅速、魯棒性強(qiáng)。在最新的研究成果當(dāng)中，水平集方法已經(jīng)發(fā)展到了無(wú)需重新初始化，并且加入了限制能量參數(shù)的階段。本文以更好地分割灰度變異醫(yī)學(xué)圖像為目標(biāo)，對(duì)之前的水平集算法提出了幾點(diǎn)改進(jìn)，而且在多種醫(yī)學(xué)圖像驗(yàn)證了改進(jìn)算法的優(yōu)異的性能，具體的工作與成果如下:
　　1)分析了如今廣泛使用的針對(duì)灰度不均勻圖像分

3、割問(wèn)題的算法的優(yōu)點(diǎn)與劣勢(shì)。當(dāng)前的一些算法基本思想都是基于改進(jìn)能量項(xiàng)，使能量泛函盡量包含全局與局部信息，但事實(shí)表明，二者很難兼得，本文將高斯核函數(shù)引入能量泛函，在圖像分割之前，對(duì)高斯函數(shù)的形狀參數(shù)進(jìn)行擬合，將全局信息捕獲，在能量泛函構(gòu)建過(guò)程中就擺脫全局能量項(xiàng)的掣肘，強(qiáng)化算法對(duì)灰度變異圖像的分割能力。
　　2)以一種新的獲取局部信息的方式:局部屬性基于K-means算法聚類。本文提出的局部信息獲取方法，首先定義一個(gè)局部灰度聚類函數(shù)，對(duì)