医学图像分割：所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域表现出一致性或相似性，而在不同区域表现出明显的不同，也就是说在区域边界上像素存在某种不连续特性。
区域作为图像分割中像素的连通集合和基本分割单位，可以按照不同的连通性来定义：4连通区域和8连通区域。区域的连通性是指在一个区域中任意两个像素之间，都存在一条完全属于这个区域的像素所构成的连通路径。如果只依据处于四正位(上、下、左、右)或四角位（左上、左下、右上、右下）的相邻像素确定区域的连通性，就称为4连通；如果同时依据处于四正位和四角位相邻的像素确定区域的连通性则称为8连通。
1、医学图像分割：是医学图像处理与分析领域的复杂而关键的步骤，其目的是将医学图像中具有某些特殊含义的部分分割出来，并提取相关特征，为临床诊疗和病理学研究提供可靠的依据，辅助医生做出更为准确的诊断。
2、医学图像分割：医学图像成像有多种图像模态，诸如MR、CT等。二维图像中的每个元素称为像素，三维图像中的每个元素称为体素，在某些情形下，可以把三维图像表示为一系列二维切片进行观察，优点是计算复杂度低且需要的内存小。
3、医学图像分割：从医学图像中自动分割出目标是个艰巨的任务，因为医学图像具有较高的复杂性且缺少简单的线性特征；此外分割结果的准确率还受到部分容积效应、灰度不均匀性、伪影、不同软组织间灰度的接近性等因素的影响。针对通常采用的校正技术来说，可以将MR和CT图像中的伪影分类为：(1)需要适当的滤波算法处理的伪影，如噪声伪影、敏感性伪影、存在非清晰边缘的伪影；(2)需要适当图像修复算法的伪影，如运动伪影；(3)需要特定算法的伪影，如部分容积和灰度不均匀性。图像处理领域尽管在已存在很多算法处理上述问题，但是医学图像分割仍然是个复杂和具有挑战性的问题。从医学图像处理过程的角度来看，基于灰度和基于纹理特征技术的分类是常规的分类方式。此外，用机器学习的工具去优化这些图像分割算法是当前较受关注的技术．
4、CT图像分割常用的一些方法有：基于阈值、基于区域、基于形变模型、基于模糊及基于神经网络。
原文：https://www.cnblogs.com/dyc99/p/12516621.html