本论文的目标是开发自动分割算法,将脑MRI图像分割成不同的组织,即脑白质、脑灰质和脑脊液,为脑发育与人的衰老、有关脑疾病的诊断和治疗、脑外科手术规划和导航等应用提供定量脑测度信息。在本论文中,提出了几个非参数化变形模型和统计信息或模糊信息相结合的算法,从不同模态的MRI图像中分割出白质、灰质、脑脊液等脑组织。对提出的算法采用实验的方法进行验证和评估,实验图像包括T1-加权、T2-加权和PD-加权的仿真和真实的脑MRI图像。论文首先提出了一个基于直方图分析的非参数变形模型算法。算法中,用混合高斯模型(mixture Gaussian Model, MGM)来对图像的灰度直方图进行建模,利用期望最大化(Expectation Maximization, EM)算法来估计混合高斯模型中各分量的参数。获得的参数用于产生新的约束项,以指导水平集曲线的进化,并最终完成脑MRI图像的组织分割。用仿真和真实的MRI图像对算法进行了评估,论文中提供了MRI图像的分割结果,并对分割结果进行了定量评价。其次,对基于区域的几何活动轮廓(Region-based Geometric Active Contour, RGAC)模型进行了研究。在稳定性分析基础上,采用新的区域压力项对RGAC算法进行了改进。新算法解决了原算法存在的稳定性问题。与原算法相比,改进算法的迭代次数明显减少,分割结果对参数的敏感度较低,因而有更好的韧性。算法能够从T1-加权、T2-加权和PD-加权等不同模态的MRI图像中分割白质、灰质、脑脊液等脑组织。用10个MRI仿真图像和5个真实MRI数据集对新算法进行评估,并与其它算法的分割结果进行了比较,验证了算法改进的可行性和有效性。算法中采用的模糊区域指示子函数被推广应用到模糊自适应水平集算法中,它是几何轮廓模型的一个改进算法。在曲线进化过程中,算法能够自适应地调整曲线进化的方向,达到快速收敛的目的。同时也克服了经典活动轮廓模型算法对图像的梯度信息过度依赖和因高斯平滑造成的边界定位精度下降的问题。文中通过仿真和真实的MRI图像对算法进行了评估。论文最后提出了一个模糊C-均值和水平集方法相结合的多类算法。算法由一组常微分方程组成,一个组织类别由一个水平集函数表示。算法由各向异性扩散滤波、模糊聚类分析以及水平集分割方法等三个主要阶段组成。算法用人工合成图像、20幅仿真MRI图像和10个真实MRI图像集进行了评估。与多相算法相比,多类算法降低了计算复杂度,能够以更快的速度收敛。与其它算法相比,多类算法有更好的分割性能和噪声鲁棒性。算法中采用的模糊逻辑,考虑了MRI图像中脑组织的模糊性和不确定性,与硬分割算法性比,能够包含更丰富的信息。与水平集方法相结合,有利于提高算法的性能和韧性。