医学图像分割是对正常组织和病变组织进行三维重建、定量分析等后续操作的基础和关键,并可为临床诊断和辅助治疗提供有力的支持。由于在核磁共振成像的过程中存在电子噪声、偏移场失真与容积效应,导致MR图像中存在噪声与偏场效应。而由于核磁共振成像设备的分辨率限制,造成MR图像中存在容积效应。所谓容积效应,即不同组织的边界存在重叠现象,其边界像素点可能是多种组织成分的混合体。这些都极大地增加了MR图像的分割难度,为医学图像分割带来了极大的困难与挑战。随着图像分割技术的发展,目前已经有近千种图像分割算法被应用到了医学图像分割领域,其中模糊聚类算法是最适用于医学图像分割的方法之一。模糊聚类算法能有效处理医学图像中的模糊性,而模糊聚类算法中应用最广的算法是模糊C均值聚类。而作为最经典的模糊聚类算法,模糊C均值聚类法也存在一定的缺陷,为了修正这些缺陷,学者们在该聚类算法上做了大量改进,从而推动了模糊聚类技术的发展与应用。而超像素计算方法作为一种新兴的分割方法,其应用在图像分割的预处理阶段时可以有效降低图像处理的计算复杂度,从而可以有效提高分割效率。超像素在强化图像局部一致性的同时保留了图像原始边界信息,并且由超像素分割方法得到的原子区域还包含了单个像素所不具备的一些图像特征,比如形状、边界轮廓信息以及区域灰度直方图等,有利提高的图像处理的准确度,而且在时间复杂度方面超像素比起单个像素的处理也有较大提高。因此超像素计算方法被广泛地应用于各领域图像分割的预处理阶段。基于以上背景,本文提出了一种结合超像素方法与模糊C均值方法的多层次脑部MR图像分割算法(The multistage medical image segmentation method based on superpixel and fuzzy clustering,MSFCM),该算法充分利用了图像中的特征信息与空间信息,并在图像实际分割中取得了比较好的效果。,该算法首先对图像进行超像素划分,并对内部灰度值方差较大的超像素进行细化分割；然后,以一定特征为聚类参数对超像素进行模糊聚类,从而得到每个超像素的类别隶属度,对于隶属度不够明确的超像素,利用其空间信息以特定标准对其所属类别进行判别；最后对同归属类的超像素进行合并操作,从而获得图像的最终分割结果。从实验结果可以看出,本文提出的方法有效的克服了噪声和偏场对图像分割的影响,分割精度和算法的鲁棒性明显优于模糊C均值聚类算法。