肺癌是死亡率最高的癌症,对肺癌的早期诊断能极大提高患者的存活率。肺结节是肺癌早期的重要征象,基于CT图像的肺结节良恶性判断是当前计算机辅助诊断方法研究的热点,其中对结节的准确分割是要解决的首要问题。肺结节分割的方法普遍存在两个问题,即分割准确性和算法效率的问题。肺结节的形态和种类的多样性给其分割带来了很大难度,简单的算法执行效率高,但分割效果不理想,复杂的算法能较精确的进行分割,但较低的执行效率妨碍了其广泛应用。基于全局最优活动轮廓(Global minimum active contour, Gmac)模型的肺结节分割方法较好的解决了这个矛盾,在保证分割准确性的同时也具有很高的执行效率。该方法是基于结节区域与背景区域在灰度分布上存在的差异,包括了图像预处理,基于Gmac模型的结节分割以及后处理三个步骤。在预处理阶段,检测结节的类型并根据不同结节类型定义了不同的预处理流程,使得数据的准备更具有针对性。在分割过程中,对前景均值和背景均值进行了控制,使分割结果更准确的收敛于结节的边界。在后处理阶段,采用去杂质和去粘连处理,克服了因模型对图像全局进行分割,而产生的“杂质”的现象,以及与结节粘连的血管、气管等组织被包含在分割结果中的情况。使用肺部图像数据库大学联盟组织(LIDC)提供的数据集和苏州大学附属第二人民医院提供的病例进行分割实验。针对LIDC第一个数据集,利用三个准则(重叠率,真阳性率和假阳性率)对分割的效果进行评估,并与其他已发表文献中利用LIDC数据集进行性能评价的方法进行比较。实验结果表明,这三个准则的平均值分别达到了84%,71%和24%,性能有一定提升,同时大大缩短了分割时间,是一种临床上实用的结节分割方法。