脑肿瘤是指由致癌因素作用导致的脑部局部组织异常增生而形成的病变。脑肿瘤会对正常的脑组织构成压迫,使局部缺血变性,导致正常功能出现障碍。随着肿瘤体积的增大,会引起脑积水和脑水肿,导致颅压增高,影响患者呼吸心跳中枢从而导致病患死亡。在我国排名前十位的肿瘤病种的死亡率统计中,脑肿瘤以每10万人死亡4人的死亡率排在第九位,死亡率较高,因此对人类和社会的危害巨大。脑肿瘤的影像学资料作为贯穿脑肿瘤诊断与治疗等一系列临床操作过程的基础,具有十分重要的意义。在如今的几大主要的医学影像设备即X线、计算机断层扫描(Computed Tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)中,MR由于其无辐射伤害,软组织分辨率高等优点尤其适用于脑肿瘤的诊断与治疗。在1938年核磁共振现象被发现之后,核磁共振技术经历了快速的发展并与1977年第一次应用于人体扫描。历经30多年的发展,核磁共振成像装置现已遍及各层次医疗机构,核磁共振成像已成为医学影像学中最主要的检查手段之一。利用MR检查能够在肿瘤出现的早期及时发现病变,为临床医生的诊断提供切实可靠的影像学信息,便于医生针对病患指定有效的治疗方案。在肿瘤的治疗及预后阶段,利用MR检查还可以指导手术过程的进行,测量肿瘤的体积及位置,为医生带来了许多便利,使脑肿瘤的诊断与治疗更加方便、更加有效。但在现阶段,脑肿瘤的分割一般由有经验的医生手工进行,手工分割对医生的专业知识及临床经验都有很高的要求,分割过程耗费时间长,同时容易引入人为误差,分割结果因人而异。因此,在临床与科研的巨大需求之下,MR脑肿瘤图像的自动分割一直是近些年来的研究热点。但MR脑肿瘤图像的自动分割算法的研究一直以来都面临着一些困难,这些困难主要包括：MR自身的成像原理与技术的限制；图像采集过程中外部环境、设备本身和操作大员等因素的影响;脑组织本身的复杂结构；不同个体间的巨大差异等。为了解决这些问题,研究者们从不同的方面着手,提出了许多相关的算法,主要包括：以微分算子和形变模型方法为代表的基于边缘的分割方法；以阈值法和模糊聚类方法为代表的基于区域的分割方法；其他代表性的方法如图谱法和基于分类器的方法等。基于边缘的分割方法的原理是因为区域边缘上的像素灰度值的变化往往比较剧烈,所以可以通过检测不同区域间的边缘来解决图像分割问题。微分算子法通过利用图像的一阶或二阶导数在阶跃边缘和屋脊边缘取值不同的特性来检测图像的边缘,其方法实现简单,边缘检测效果较好,是学习图像处理过程中的必备方法。但由于边缘检测算子对噪声十分敏感,对医学图像而言单纯的依靠微分算子进行图像分割往往得不到满意的结果。形变模型法通过内力外力的结合作用使轮廓逐渐的靠近图像边缘从而得到分割结果,但形变模型方法严重依赖初始轮廓且容易陷入局部极值,因而应用有限。基于区域的分割方法的原理是将图像上具有相同属性的像素点归类,依据像素点集合的相似性进行图像分割。阈值法是最简单的基于区域的分割方法,通过设计不同的阈值选择标准来满足不同的分割需求,但医学图像尤其是脑部MR图像因包含大量的不同组织且各组织相互之间存在着灰度范围的重叠,因而阈值分割方法的效果不尽如人意。模糊聚类法将模糊数学理论引入聚类算法中,通过分配不同的隶属度,在最小化类间相似性的同时使类内的相似性最大化,从而判断对象的归属类别最后完成分割。模糊聚类算法的缺点在于算法性能依赖初始的聚类中心,对医学图像而言该算法容易陷入局部极值,得不到全局最优解。图谱法通过预先准备好的图谱,将带分割图像配准到图谱上从而完成分割。对医学图像来说,因为图像中的解剖结构等知识是已知的,因而图谱法可以通过有效的利用这些先验知识来完成分割。但图谱法的结果受配准精度的影响很大.同时由于病患的复杂性,如何构建足够充分的图谱集也是研究者们面临的大挑战。基于分类器的分割方法将分割问题看作像素点的分类问题,通过提取像素点的相关特征,利用分类器将像素点分门别类,由于分类器算法能够有效利用图像的高维特征,因而通过提高像素点具有的相关特征的辨别能力就能有效地提高图像的分割精度,基于分类器的分割方法是近年来非常流行的一种方法。在基于分类器的分割方法中,像素点相关特征所具有的辨别能力的强弱直接影响着分割结果的好坏,如何提取有效的特征是分类器算法面临的关键问题。医学图像分割中最常使用的特征是灰度特征,因为医学图像采集标准化程度高,允许图像之间进行直接的灰度比较。但在MR脑肿瘤图像中,由于肿瘤区域的灰度分布与背景区域的灰度分布存在交叠,因此依靠单纯的灰度特征难以有效地将肿瘤区域分割出来。同时,无法提供空间信息也是灰度特征的不足之处。纹理特征主要描述图像的平滑,稀疏等特性,如灰度共生矩阵可以作为像素点的有效特征,但该特征对较大的局部效果并不理想。同时,由于脑肿瘤类型较多,并且不同类型肿瘤的纹理信息差异较大,因而传统的纹理特征对脑肿瘤分割的作用有限。针对传统灰度特征辨别力不强缺乏空间信息,以及传统纹理特征概括性较弱的不足,我们引入词袋模型(Bag of Words, BoW)用于表达像素点的特征,词袋模型在文本处理及计算机视觉领域都有着广泛的应用。词袋模型将图像看作视觉单词的集合,所有的视觉单词共同构成了词典。通过对图像中每个像素点提取特征并对特征进行量化,得到像素点在视觉词典上的表示,并以此作为像素点的特征对像素点进行分类从而完成对图像的分割。由于视觉单词即对相似的特征具有代表性又对不同的特征具有区分性,因而将词典对像素点的表达作为特征可以提升特征的辨别能力。MR图像的预处理是进行MR图像脑肿瘤分割的必要步骤。由于MR成像原理本身的限制以及图像采集过程中环境、设备、医生和病人等各种因素的影响,导致生成的MR图像质量不佳,因此MR图像需要经过预处理才能用于图像分割。图像的预处理阶段主要包括去噪、非均匀性校正、灰度归一化和脑组织提取等步骤。在这些预处理步骤中,脑组织提取是最重要的一环。脑组织提取的常用算法包括BET算法、BSE算法、图割法和基于分类器的方法等。BET算法是可变曲面模型的经典代表,它结合了形态学操作和基于图像的作用力将轮廓点扩张至脑组织边缘,从而得到分割好的脑组织。边界检测技术中的BSE方法也是一个经典算法,它将各向异性扩散滤波器,Marr Hildreth边界检测算法和形态学操作结合起来,最后得到一个脑组织轮廓的掩膜。图割法通过去掉与非脑组织之间的弱连接来得到脑组织。但以上这些方法都或多或少存在着过分割或欠分割比较严重的问题,基于此本文提出了基于AdaBoost分类器的脑组织提取方法。AdaBoost分类器通过不断的训练,使分类器更多的关注较难分类的样本,提升弱分类器的分类能力,再通过级联的方式将弱分类器组合成强分类器。通过选择有效的灰度特征、纹理特征及上下文特征,在由20副TI加权MR图像组成的数据集上进行实验,通过与BET、BSE和GCUT三种方法继续对比,基于AdaBoost分类器的脑组织提取方法在分割精度上有了一定的提高。MR图像预处理完成后即开始基于词袋模型的脑肿瘤的分割。利用词袋模型进行图像分割一般分为三个步骤：1.特征提取和描述；2.构建视觉词典；3分类器分类。在第一个阶段,本文选择图像块特征作为像素点的特征描述子,图像块特征在兼顾像素点灰度特征与纹理特征的同时,也能为像素点提供充足的上下文信息,因而有助于提高特征的辨别能力。在构建视觉词典的过程中,本文采用K-means聚类法对正常组织和病变组织的特征集进行分别聚类,分别生成病灶区域词典和背景区域词典进而组合得到最终的联合视觉词典,联合词典可以为特征提供相对空间位置信息,提高了词典对像素点的表达能力。在分类器分类时,本文采用滑动窗口技术,使目标像素点的特征由其滑动窗口内的邻域像素点特征来共同表达从而进一步加强特征的辨别能力。最后利用逻辑回归分类器完成训练和测试,经过实验,本文提出的基于词袋模型的MR脑肿瘤图像分割方法在100幅脑肿瘤MR图像组成的数据集上进行试验,分割准确率达到90.42%。在本文最后对所做的工作做了小结,同时对今后的工作做了一些展望。