随着医学成像技术的飞速发展,现代医学的疾病诊断已经离不开医学影像的帮助。前列腺癌症和动脉粥样硬化斑块是严重危害人类健康的两大疾病,影像技术在其诊断中起到了至关重要的作用。磁共振成像（MRI）是诊断前列腺癌症常用的无创的辅助影像技术,超声成像则是内中膜结构（IMC）异常与斑块诊断不可或缺的工具。传统的人工目视观察获取图像中病灶信息的方法是非常费时费力且因人而异的。为了实现前列腺癌症、IMC与斑块的自动定位与分割,很多方法已经被提出来。虽然这些方法取得了一些成果,但仍存在不足。对于变分模型,图像中的高噪声、目标边界模糊不连续、对比度低、灰度不均匀等不利因素会极大地影响分割结果。因此,降低人工初始化的依赖性,充分挖掘MRI和超声图像中的有用信息,排除复杂背景的干扰,降低模型中参数确定过程的复杂度,提高模型的普适性,成为前列腺癌症定位与分割以及IMC与粥样硬化斑块分割的关键。本文从这个角度出发,主要研究基于多模态MRI的前列腺癌症的定位与分割以及基于颈动脉超声图像的IMC与粥样硬化斑块的分割的问题。本文的主要研究成果如下:1.针对多模态MRI中前列腺癌症的定位与分割问题,提出了基于随机森林的Auto-Context定位模型与基于最大熵的多核模糊C均值聚类（MEMKFCM）算法的分割模型。通过引入随机Haar类特征,提取了更多的邻域信息,增强了癌症的特征表示,以便于更好地识别癌症。Auto-Context模型引入了更多的上下文信息,优化了随机森林分类器,可以完全自动地从整个前列腺区域定位出癌症。分割癌症时,引入最大熵方法对特征空间中的核的权重进行正则化,解决了基于多核的模糊C均值聚类算法（MKFCM）忽略特征空间中核的选取问题,合理利用提取到的特征,达到准确分割前列腺癌症的目的。在26位患者的MRI上进行了算法的有效性验证。通过实验结果比较,随机Haar类特征在癌症定位与分割中的作用优于其它传统特征。与医生手动标注的癌症区域相比,提出的前列腺癌症定位方法的效果要优于其他传统方法,得到的基于分片的评价（SBE）结果为87.1%;提出的分割方法优于其它基于FCM及其改进的算法,敏感度为86.0%,特异性为93.0%,正确率为91.2%,Dice ratio为83.0%,Jaccard index为71.7%和AUC值为89.5%。提出的方法得到的定位与分割结果更接近Ground Truth。这也说明,提出的方法在前列腺癌症的定位与分割上具有潜在优势,将更有助于引导前列腺穿刺、前列腺癌症辅助诊断以及前列腺癌症靶向治疗等。2.为了实现基于颈动脉纵向截面超声图像的IMC的分割,提出了一个结合连续最大流（CMF）算法、栈式稀疏自编码器（SSAE）和随机森林的整合模型。考虑到颈动脉纵向截面超声图像中基于灰度的可分性,提出了基于CMF算法的IMC的感兴趣区域（ROI）的自动提取方法,解决了已有一些方法需要人工初始化的问题。为克服斑点噪声、IMC边界模糊不清晰的困难,考虑到IMC的ROI中灰度分布的特性,提出了基于SSAE的ROI的重构方法,增强了 IMC边缘处的对比度。使用随机森林和Otsu算法实现IMC的自动分割。分别采用平均绝对误差、Bland-Altman图和回归分析图评价自动分割与手动分割之间的差异、一致性和相关性。与医生手动标注的Ground Truth以及已有的一些方法得到的结果相比,提出的方法要优于其它经典的和较新的算法,在三个不同成像中心的不同成像设备的数据集（总共228幅颈动脉纵向截面超声图像）得到的平均绝对误差分别为0.028 ± 0.016 mm、0.579 ± 0.288 pixels和0.582 ± 0.341 pixels。Bland-Altman图显示了提出的方法与手动分割之间具有较高的一致性,IMT测量值与真实值的差的均值分别为0.005 ± 0.065 mm、0.031 ± 0.647 pixels和0.011 ± 0.677 pixels。回归分析图则说明提出的自动分割方法得到的结果和手动分割结果之间具有很高的相关性,在三个数据集上得到的IMT测量值与真实值的相关系数分别为95.2%、93.8%和99.0%。这些结果表明提出的方法对于来自不同超声成像设备的数据是鲁棒的,而且提出的方法在颈动脉超声图像中IMC的分割上更有优势。3.针对颈动脉超声图像中粥样硬化斑块的分割问题,提出了随机森林和基于相关熵的变分水平集模型（RF+CLS）相结合的方法。采用简单线性迭代聚类（SLIC）和AdaBoost模型,简单快速地提取出血管的ROI;使用监督学习算法,从ROI中提取出完全覆盖斑块的血管区域,使得斑块分割的范围完全限制在血管区域中。使用随机森林对斑块进行预分割,得到斑块的初始轮廓,实现模型自动初始化。引入基于点的局部偏移场修正（LBIF）方法拟合图像,克服超声图像中存在斑块边缘不连续、灰度不均匀等问题,使得提出的算法更鲁棒。为解决变分水平集模型对噪声敏感的问题,引入相关熵来度量图像灰度与灰度均值之间的距离,自适应地降低噪声出现时距离的变化率,很好地抑制了噪声的影响。将提出的方法应用于25幅颈动脉超声图像中粥样硬化斑块的分割。与已有的方法比较得到:RF+CLS模型对斑块分割更有效,得到的Dice ratio和Jaccard index分别为90.6 ± 1.9%和83.6 ± 3.2%。通过比较各方法得到的每个指标的标准差,可以发现,提出的方法在颈动脉超声图像中粥样硬化斑块的分割上更稳定。这也表明,提出的方法更加有助于医生获取斑块的各种信息,及时作出准确的诊断和制定有效的治疗方案。本文提出了基于随机森林的Auto-Context模型与MEMKFCM算法,实现多模态MRI中的前列腺癌症的自动定位与分割。提出了结合CMF、SSAE和随机森林的整合模型,实现颈动脉超声图像中IMC的自动分割。提出了随机森林和基于相关熵的变分水平集相结合的模型,达到颈动脉超声图像中动脉粥样硬化斑块的自动分割的效果。