1.一种基于帧间相关性的乳腺MRI病灶的自动分割方法包括：
A.读取MRI图像；
B.预处理图像，包括以下两个步骤：
C.对预处理后图像粗分割，确定病灶的初始轮廓，包括以下步骤：
D.采用改进的C-V水平集模型方法对步骤C得到的粗分割图像I(x,y)进行细分割，在粗分割轮廓基础上进一步细化肿瘤轮廓，改进之处如下：
1)C-V水平集模型是通过最小化能量函数，确定最终分割轮廓的，但其能量函数模型中只利用全局信息，而无法正确分割亮度分布不均匀图像，在C-V水平集模型的能量函数中加入局部能量项，用局部的灰度的统计信息来提高图像分割的能量，用一个窗口大小为k×k的均值卷积算子，对图像I(x,y)做卷积差值计算，以使图像的灰度分布差异减小，在细分割步骤中准确找到肿瘤轮廓；
2)为提高C-V水平集模型的收敛速度，以提高细分割效率，在C-V水平集模型的能量函数中引入能量惩罚项，对依据闭合曲线C构造的水平集函数φ做梯度计算，并对梯度值的平方再积分，以加快计算速度；
3)为控制零水平集函数的光滑度，将进化曲线的长度补偿项添加到C-V水平集模型的能量函数中，对Dirac函数与水平集函数的梯度乘积做积分运算，避免在细分割结果中出现孤立的小区域；
E.将步骤D得到的细分割结果，结合帧间相关性，进行优化，包括以下步骤：
1)计算细分割后得到的每一帧的疑似肿瘤区域面积，自动选取肿瘤面积最大帧作为迭代关键帧，得到关键帧的肿瘤轮廓R；
2)将R作为初始轮廓，利用上述改进的C-V水平集模型分别对关键帧的上、下一帧图像进行分割调整，得到更精确的分割结果，再以此结果为初始轮廓向前、后迭代，直到检测不到更细小的轮廓，即可认为该帧中不包含肿块。
2.根据权利要求1所述的分割方法，其特征在于，B中的预处理图像，包括以下两个步骤：
1)截取ROI，取出包含乳腺的最小图像矩形区域；
2)采用顶帽(top-hat)运算进行形态学增强，得到预处理后图像。
3.根据权利要求1所述的分割方法，其特征在于，对预处理后图像粗分割，确定病灶的初始轮廓，包括以下步骤：
1)超像素分割：采用SLIC聚类算法进行超像素分割；
2)可疑区域筛选，采用将相近灰度值的超像素区域合并，只保留灰度值偏高的区域作为可疑区域的方法，进行筛选，得到粗分割后的图像。