海马体位于大脑皮层之下的内侧颞叶边缘,是人类与其它脊椎动物大脑中的重要组织,其功能与短期记忆、认知、情绪有关,因此研究海马体对于心理学、神经学具有重要意义。而核磁共振图像可避免X射线和电离辐射等危害,具有安全、分辨率高等特点,并且大脑的核磁共振图像能够提供三维的大脑结构信息,便于研究大脑中类似于海马体等复杂的组织结构。因此,本文研究如何在核磁共振图像中将海马体从大脑组织中分割出来,为医学研究海马体的体积形态变化提供可视化依据。对于医学图像的分割,一方面由于其图像格式的特殊性造成了处理的复杂性。另一方面由于大脑中的组织如海马体,形状不规则、体积小、边缘与周围其他组织相互连接、彼此之间灰度相似等特点,使得其分割难度高于一般图像,传统的分割方法难以得到令人满意的效果。基于图谱配准的分割方法是近年来的研究热点,对于提取人体大脑图像的特定组织有着非常好的效果,其原理是:使用专家事先分割好的图谱集与目标图像进行配准,通过形变场映射引导目标分割。其中,基于单图谱的分割方法在图谱与目标图像差异较大时,容易导致严重的分割误差,而多图谱分割方法综合考虑多个图谱的先验信息可有效避免上述误差。为了实现三维人脑核磁共振图像中海马体的精准、高效分割,本文对多图谱分割中的配准与融合算法进行了改进,提出了基于重采样改进的配准方法,结合优化后的标签融合算法实现了海马体的准确分割。实验证明,本文改进算法能够在保证分割精度的前提下缩短分割时间。目前,多图谱分割三维的大脑核磁共振图像有两个难点:一是精度的提高,二是计算复杂度的降低。本文首先对目标图像和图谱做了必要的预处理工作:颅骨剔除,感兴趣区域提取,灰度预处理。在图像配准阶段,本文提出基于重采样改进的配准方案,与传统“粗精”混合配准不同的是,重采样能够简化“粗”配准过程,并且使参考图像与待采样图像具有同样的各向同性采样率,使图像的大小、中心达到一致,为后续进行微分同胚Demons配准做好准备。微分同胚Demons算法与多分辨率配准思想的结合确保了配准的精度,同时提高了配准速度。在标签融合阶段,本文改进了两种融合算法:一是基于K近邻搜索的加权选择融合算法,另一个是基于判别模型约束的Graph Cuts算法。基于K近邻搜索的加权选择融合算法是在非局部块加权融合算法的基础之上,对局部块进行了 K近邻搜索,找到与目标体素最相似的K个局部块,避免使用目标体素邻域内相似度较低的局部块进行加权,一方面提高了计算速度,另一方面也提高了权重计算的准确性。在很多情况下,由于分割被看作是对场景中的对象进行分类的过程,因此基于判别模型约束的Graph Cuts融合算法能够将机器学习方法与图割算法结合,在有效利用图谱先验知识的同时,使分割结果最优化。