胼胝体是连接左右脑对应部位的最大纤维束丛,使得大脑在功能上成为一个整体。对于通过电子计算机断层扫描（Computed Tomography,CT）技术重建得到的CT图像,以及通过常规核磁共振成像（Magnetic Resonance Imaging,MRI）技术获取到的MR图像,直接在图像中分割仅能得到胼胝体的大概形状,无法利用分割信息进行胼胝体相关病理分析或实验研究,且难以重建胼胝体中的细微纤维。在扩散张量成像（Diffusion Tensor Imaging,DTI）图像中,根据胼胝体中纤维束与周围组织的各向异性扩散的不同程度分割出胼胝体的形状,进而根据体素中水分子的扩散特性对胼胝体中的纤维进行追踪,实现对胼胝体的三维重建。这样,既能为胼胝体病变提供具体的诊断依据,又能在术中提供手术导航,还能及时查看术后患者恢复情况。本文针对纤维追踪过程中的体素纤维方向难以确定问题以及分水岭分割胼胝过程中的过分割问题开展研究,主要工作如下:1.开展结合K-means与移动最小二乘法（Moving Least Squares,MLS）脑部纤维追踪方法的研究。现有的确定性纤维追踪算法仅考虑体素自身张量值,导致最终追踪结果会产生较大的误差。因此,我们提出一种既考虑体素张量椭球特性又结合邻域体素信息的确定性纤维追踪方法KM-STT。首先对体素张量进行椭球建模,再针对不同椭球模型用K-means对体素进行聚类;接着,构造自适应各向异性高斯函数,作为MLS的权重函数。对于张量模型为圆盘形椭球和球形的体素,用MLS拟合更新其张量值;最后,在新的张量信息场中,利用流线型追踪（Streamline Tracking）算法进行纤维追踪,得到更加完整准确的脑神经纤维束。采用一份模拟人脑数据集和一份真实临床数据集对追踪效果进行定性定量的评估,实验结果表明,在真实临床数据中,KM-STT比STT可以追踪到更完整的纤维束;在模拟人脑数据中,KM-STT算法能追踪到最多23束正确纤维束,正确纤维连接比达到45%,错误纤维束比UKF减少16束,错误纤维连接比降低到28%。2.开展基于改进标记分水岭的胼胝体分割方法研究。部分各向异性（Fractional Anisotropy,FA）图像中,同一组织内体素的各向异性扩散特性相似,不同组织间体素的各向异性扩散特性相差较大,因此可根据体素的各向异性扩散特性将胼胝体分割出来,并将分割出来的区域作为后续的三维重建胼胝体的感兴趣区域（Region of Interest,ROI）。分水岭算法分割精度高,速度快,但是直接采用分水岭算法对FA图像中的胼胝体区域进行分割存在过分割的问题,因此,我们将遗传算法、扩展极小值变换和强制极小值标记应用到分水岭算法中,提出了一种改进的基于标记的分水岭分割方法。首先根据DTI图像数据计算得到FA图像,用Sobel算子计算出FA图像的梯度图像;其次,定义自适应的遗传算法,将类间方差函数作为遗传算法的适应度函数,迭代求得最优解;进而,将最优解作为扩展极小值变换的阈值,对区域极小值进行扩展极小值变换获取标记图像,根据标记图像保留梯度图像标记处的局部极小值区域;最后,对更新局部极小值区域后的梯度图像使用分水岭算法,分割得到胼胝体。实验证明,该方法能够有效解决使用分水岭算法中产生的过度分割问题,获得更好的胼胝体分割结果,缩短分割时间。