随着医疗图像分析技术在医学研究和临床诊疗中的推广,许多临床应用需要能够从医学图像中快速分割得到多个器官区域,用以辅助多器官的模拟仿真和形态学、功能学测量。相比单个器官逐一分割,多个器官同时分割不仅提升了算法速度,还可借助多个器官之间在形态和位置上的相互依存关系来提升分割精度,增强算法鲁棒性。本文旨在开发一种从医学图像中同时分割多个器官的算法,借助多器官之间在形状和位置上的先验知识来提高分割算法的准确度和鲁棒性。本文选取小鼠CT图像作为目标图像,因为这种图像中X射线的剂量偏低,软组织对比度差,其中的多器官分割是急需解决的问题。本文主要工作如下:第一,研究了如何构建多器官的形状模型,以便为后续的图像分割提供形状先验知识。本文在现有的多分辨率统计形状模型基础上加以拓展,解决了现有方法因内存限制而无法对多器官三维形态进行建模的问题,提出了针对多器官的多分辨率形状先验知识模型,能够从三个分辨率层次(包括多器官、单器官以及器官局部范围)对多器官系统的形态变化进行建模。实验结果表明,本文所提出的多分辨率多器官形状建模方法比传统方法在形状表达方面具有更好的泛化性和特异性。第二,结合本文构建的多分辨率多器官统计形状模型,实现了对小鼠低剂量CT图像的多器官分割。由于低剂量CT图像中软组织边缘模糊缺失现象严重,本文结合了用户交互引导和形状先验知识实现多器官分割。在用户交互方面,使用变分Hermite径向基函数(Variational Hermite Radial Basis Function,VHRBF)实现了基于少量用户勾画的器官形态估计,并以此引导多分辨率多器官统计形状模型进一步细化分割。实验结果表明,基于本模型的分割方法比基于传统统计形状模型的分割方法取得了更好的分割精度,并且对不同用户的操作具有较好的一致性,有效实现了低剂量CT图像中多器官的快速分割。第三,在前两部分研究的基础上,进一步研究了基于人工神经网络的多器官形状建模,采用栈式自编码(Stacked Autoencoder,SAE)神经网络尝试了非线性的多器官形状建模。对比传统的线性主成分分析方法构建多器官统计形状模型,基于SAE神经网络的非线性形状建模方法可以自动学习到多分辨率的模型变形特征,达到与第三章的建模方法相似的效果,但是其算法的复杂度更低,并且可以学习到传统的建模方法学习不到的变形特征。