磁共振成像(Magnetic Resonance Imaging,MRI)技术以其非介入性、非损伤性、很少受目标物体运动影响等特点,成为脑疾病临床诊断的重要辅助手段。脑MR图像的精确分割对生物医学研究和临床应用具有重要的指导意义。随着医学成像设备的进步和研究人员对脑的研究不断深入的需求,脑组织的分割已经被分为三个层次:全脑组织分割,脑子结构分割以及病理组织的分割和提取。然而,在实际应用中,脑MR图像中存在灰度不均匀性、噪声、脑组织的部分容积效应以及低对比度等缺陷,使脑MR图像的精确分割变得十分困难。为此,本文针对脑MR图像分割问题,基于图像的非局部特性,深入研究了正常全脑组织,脑子结构组织以及病变脑MR图像的分割算法。本文所做的主要工作与创新性成果如下:(1)针对全脑组织分割,提出了一种基于非局部均值的高斯混合模型脑MR图像分割算法。深入探讨了含噪声脑MR图像的分割策略,分析了传统高斯混合模型算法的主要缺陷以及现有改进算法的空间信息构造思路。通过引入图像的非局部信息,用图像片替代像素,使用图像片之间的相似性替代像素之间的相似性,且为每个像素提供一个搜索窗口,只考虑像素与各自窗口内的像素之间的相似性。通过对非局部空间邻域信息的处理,有效地克服了高斯混合模型(Gaussian mixture,model,GMM)分割方法对于噪声敏感的缺陷。实验结果表明该方法能够进一步提高高斯混合模型对脑MR图像的分割精度,有效抑制了图像中的噪声。(2)针对全脑组织分割,提出了一种基于图像片马尔可夫随机场的脑MR图像分割算法。深入探讨了含偏移场的脑MR图像的分割策略。利用了局部空间邻域信息,使分割能克服噪声的同时保留更多图像细节信息;通过KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑从而对模型参数进行求解,能够有效克服马尔可夫随机场(MRF)模型分割结果中的过平滑现象。实验结果表明该方法能够进一步提高脑MR图像的分割精度,并且能够更好地保留图像的细节信息。(3)针对脑子结构分割,提出了一个基于多层字典学习的多图谱海马体分割框架。该框架改进了传统的单层字典的标记融合方法,有效克服了传统标记融合方法由于仅使用基于灰度信息的权重作为标记融合权重导致的误分割。通过逐层构建中间字典逐步优化标记融合的权重,最终使得该权重对于标记融合是最优的。大量的实验结果验证了该算法对海马体分割能够取得更高的分割精度。该框架也可以认为是传统单层方法的扩展,具有较强的实用性。(4)针对病理组织分割,提出了一种基于多模态MRI的脑肿瘤图像分割方法。利用MRI本身的特性,通过简单结合FLAIR和Tlce两种模态将脑肿瘤分为水肿和肿瘤核两个部分。首先,使用最大类间方差阈值分割法(OTSU)对FLAIR模态进行水平集初始化。然后使用水平集方法在FLAIR模态上分割出整个肿瘤区域,再将该区域映射在Tlce模态上,进而使用k均值算法将水肿和肿瘤组织分割开来。相比于传统的脑肿瘤分割方法,该方法容易实现并且能将肿瘤的不同组织分别分割开来。实验结果表明,该模型优于同类脑肿瘤图像分割算法。