A lung segmentation processor (40) is configured to classify magnetic resonance (MR) images based on noise characteristics. The MR segmenatation processor generates a lung region of interest (ROI) and detailed structure segmentation of the lung from the ROI. The MR segmentation processor performs an iterative normalization and region definition approach that captures the entire lung and the soft tissues within the lung accurately. Accuracy of the segmentation relies on artifact classification coming inherently from MR images. The MR segmentation processor (40) correlates segmented lung internal tissue pixels with the lung density to determine the attenuation coefficients based on the correlation. Lung densities are computed using MR data obtained from imaging sequences that minimize echo and acquisition times. The densities differentiate healthy tissues and lesions, which an attenuation map processor (36) uses to create localized attenuation maps for the lung.Un processeur de segmentation de poumon (40) est configuré pour classer des images de résonance magnétique (RM) sur la base de caractéristiques de bruit. Le processeur de segmentation de RM génère une région d'intérêt du poumon et une segmentation de la structure détaillée du poumon à partir de la région d'intérêt. Le processeur de segmentation de RM réalise une normalisation itérative et une approche de définition de région qui capture avec précision tout le poumon et les tissus mous dans le poumon. La précision de la segmentation repose sur une classification d'artefacts provenant de manière inhérente des images de RM. Le processeur de segmentation de RM (40) corrèle des pixels des tissus internes du poumon segmenté avec la densité du poumon afin de déterminer des coefficients d'atténuation sur la base de la corrélation. Des densités du poumon sont calculées à l'aide de données de RM obtenues d'après des séquences d'imagerie qui minimisent les échos et les temps d'acquisition. Les densités différencient les t
