En anatomía, el pulmón se puede dividir por fisuras pulmonares en varias unidades de lóbulos pulmonares con funciones específicas. La identificación de los lóbulos pulmonares y la distribución de diversas enfermedades entre los diferentes lóbulos pulmonares a partir de imágenes de TC es importante para el diagnóstico de enfermedades y el seguimiento después de la recuperación. Para resolver los problemas de baja precisión de segmentación de estructuras tubulares y largo tiempo de algoritmo en la segmentación de lóbulos pulmonares basada en información de estructura anatómica pulmonar, proponemos un algoritmo de segmentación basado en la clasificación de la superficie de la fisura pulmonar utilizando un enfoque de crecimiento de región de nube de puntos. Agrupamos las fisuras pulmonares, transformadas en datos de nube de puntos, de acuerdo con las diferencias en el vector normal de la superficie de la fisura pulmonar y la curvatura estimada por análisis de componentes principales. Luego, se utiliza un método de ajuste de superficie de spline multietapa para rellenar y expandir la superficie de la fisura pulmonar para realizar la segmentación de lóbulos pulmonares. El enfoque propuesto fue evaluado cualitativa y cuantitativamente en un conjunto de datos públicos de Lobe and Lung Analysis 2011 (LOLA11) y obtuvo una puntuación general de 0.84. Aunque nuestro enfoque logró una puntuación general ligeramente más baja en comparación con los métodos basados en aprendizaje profundo (LobeNet_V2 y V-net), los límites interlobares de nuestro enfoque fueron más precisos para las imágenes de TC con fisuras pulmonares visibles.