医学图像解剖结构的分割在医学辅助诊断中起到重要的作用。在近三十年来的时间里,已经有大量的交互式三维分割的方法被研究出来,目前多数交互式分割算法直接操作于三维数据空间,并且利用了图像的所有空间信息。与通过全手动逐层圈图的得到的标准结果,常常能得到90%以上的重叠率。然而,直接对三维体数据分割的方法,较难进一步提高分割精确度。尤其对于边界对比度不明显的器官/组织边界,虽然和金标准相比,只是为了提高10%以下的Dice值,但常常需要逐层重新修改。因此,累计的所有时间相对于全手动分割并没有优化。从根本上说,许多图像,尤其是医学图像,处于三维或更高维中。分割算法可以在三维环境下运行,但由于屏幕和鼠标的限制,只能在二维环境下与图像进行交互并产生结果。此外,由于用户在二维的整体控制能力,二维图像标注可以做到任意精度。其次,现有交互式分割算法多数只能运行于工作站单机上。这要求整个体数据全部位于此工作站上,不能保证图像数据的安全,容易泄露病人的隐私。针对上述问题,本文首先设计一种以低维交互式分割协作重建高维分割的方法,它一方面能充分利用整个三维或更高维空间的体数据信息,但另一方面,又兼顾二维分割的对结果的完全可控性。如果可以在医疗机构架设云平台,供医生使用,体数据存在于云平台上,算法布置在云端。需要分割时,由此云平台将低维数据分发到不同客户端。客户端进行上述交互式分割之后,再汇总到云平台,采用算法对各客户端的低维分割结果进行融合。这一方面可以形成协作式交互分割,另一方面,同一个体数据可以发送到不同的客户端,使得任何一个客户端无法重建出整个体数据。这对于医学数据安全,也带来了更好的保障。沿着上述思路,本文研究了基于云平台的医学图像交互式分割的方法,具体工作包括以下方面:首先,本文提出以低维交互式分割协作重建高维分割的方法,用户标记得到二维切面的分割来指导高维的分割,利用基于多图谱的配准方法,把二维切面的分割配准到其余切面,得到整个高维体数据的分割。第二,将Grow Cut交互式分割算法,在浏览器页面中通过Web GL进行实现,最大限度利用客户端的软硬件资源,并最小程度依赖客户端的软件配置。第三,有了上述算法和实现作为基础,本文利用Python的Web框架——Flask,实现了基于云计算的协作式的交互式分割方法,使用户可以上传医学体数据并对其进行交互式分割。最后,在不同部位的医学图像数据上,针对不同器官进行了分割,能够得到不错的结果,并且在执行时间方面,与其他交互式分割工具进行了比较,分析得出在分割复杂组织结构时本工具有一定优势。这些算法的提出和软件架构的构造,为协作式交互图像分割和更具有数据安全性的医学图像分析标注具有实际意义。