目前,实时的超声心动图已成为一项常规的临床医疗工具。利用实时二维超声心动图测定左室收缩功能是现在临床上最常用的左室功能无创性检查方法。图像分割在医学超声心动图像的定量、定性分析中均扮演着重要的角色,直接影响到后续的分析、处理工作。通过图像分割,可以把目标对象—如左心室完整地从复杂的背景中分割出来,从而利用特定的方式进行表示,方便医师进行观察和诊断。针对二维超声心动图像噪声大,边界模糊,灰度分布不均匀等特点,本文在传统的基于水平集的C-V模型的基础上,将局部区域信息引入C-V模型中,并利用零水平集曲线的平均边缘能量对其演化速度进行了控制,从而提出了一种基于局部信息的改进的C-V模型超声图像分割算法。相对传统的C-V模型,该算法具有较强的抗噪性,适合对灰度不均匀,目标轮廓模糊的超声图像进行处理,从而较好的解决了超声心动图中心室弱边缘的图像分割及轮廓提取问题。该算法的缺点是迭代次数较多,计算量较大。CUDA是一种基于CPU+GPU的并行编程模型和软件环境,它性能好,兼容性强,在计算架构上整合了CPU和GPU,不仅可以满足实时图像处理对算法求解效率的追求,而且开发成本也比较低廉。为了实现对超声心动图的高速实时分割处理,本文采用了基于CPU+GPU架构的CUDA编程模型来设计和实现C-V模型图像分割算法,并对二维超声心动图进行了分割实现。基于以上研究工作,本文采用CUDA实现改进的C-V模型超声心动图分割算法不仅抑制了心动图中的噪声和伪边缘,准确的分割出了心室的轮廓信息,而且切实的提高了分割算法的求解速率,满足实时处理的要求,为临床应用创造了工程价值。本文后续工作可以研究减少分割算法迭代次数进一步提高求解效率或对其它医学超声图像进行基于CUDA的分割研究。