医学图像分割是医学影像处理与分析领域中的一个基本问题,它是其它医学影像后处理(如三维可视化、手术导航等)的基础。为了准确地分辨医学影像中的正常组织结构和异常病变,需要对医学图像进行分割。医学图像分割成为了图像处理领域的一个热点和难点。本文对目前国内外研究的多种图像分割方法进行了综述,在经过分析比较后,发现基于马尔可夫随机场(Markov Random Field, MRF)模型的分割方法具有诸多优点且具有巨大的应用前景,因此,本文将目标集中在对马尔可夫随机场模型的研究上。由于医学图像自身的复杂性,单纯结合一种图像信息对医学图像进行分割,往往得不到较好的分割效果。本文提出了一个在MRF模型的框架下,综合区域信息、先验知识信息和形状边界信息的改进MRF模型,对目标能量函数进行了改进。在基于改进MRF模型的分割方法的实现上,为了提高分割方法的实现效率,本文对优化方案进行了改进,首次将混沌模拟退火(Chaotic Simulated Annealing, CSA)算法引入到图像分割求解过程中本文设计并实现了一套基于改进MRF模型的交互式图像分割软件系统,对仿真图像和临床心脏MR图像进行了仿真实验,对该方法进行了测试,并与其他分割算法进行了对比,同时给出了定性和量化的评价结果。实验结果表明本文提出的改进MRF模型能够很好的保留图像的边缘细节信息,能够大大提高全局寻优速度,针对医学图像的低信噪比、弱边界和凹陷区域等特点,具有较高的分割可靠性。该分割方法是一种抗噪性强、准确度高的快速的适合于模糊、边界断裂和具有凹陷边界的图像的分割方法。考虑到医学图像的像素区域内部的各向同性,区域边界的各向异性,本文又提出了一种类自适应的耦合系数p的计算方法,将类自适应耦合系数引入到基于MRF模型的分割方法中,提出了一种类自适应MRF模型分割方法。最后,通过临床心脏MR图像和脑部MR图像的分割结果显示,采用新的类自适应的耦合系数计算方法能够增强图像分割的自适应性,从而能够达到更加细腻的分割效果。