当前位置：文档视界 › 医学图像分割方法汇总

医学图像分割方法汇总

本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。

1阈值法分割

1-1 简单阈值分割

简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。

图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果

从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。

1-2 otsu阈值分割法

Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。

原理：

对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。

假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)

ω1=N1/ M×N (2)

N0+N1=M×N (3)

ω0+ω1=1 (4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),得到等价公式:

g= ω0ω1(μ0-μ1)^2 (7)这就是类间方差

找出使得g(类方差)的值到达最大的T(值)，就是我们需要的结果。下图1.3是使用otsu阈值分割法对图1.1脑部图像的分割结果。

图1.3 使用ostu阈值分割得到的结果

2 区域生长方法分割

区域生长方法是从被分割对象的种子区域（通常是一个或者多个像素点）开始，在种子区域的相邻像素中寻找与种子区域具有某种给定的相似特征（通常是灰度值）的像素加入种子区域。并利用新的种子区域重复上述过程，直到种子区域不再扩大。

区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。

简单来说下三个法则，对出需要分割的图像：1、选取图像中的一点（或者一组点）为种子点（种子点的选取需要具体情况具体分析）。2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。3、当不再有像素满足加入这个区域的准则时，区域生长停止。

2-1 经典区域生长算法

本算法使用的是一组种子点，种子点的选取一般遵循选取图像中较为明亮的部分，可以使用im2bw函数来选取种子点，通过调整二值化的参数来调整种子点的数目。然后对种子点的4领域的像素进行判断，符合要求的加入种子点。重复上述过程知道种子点数目不再变化为止。

实验仍然使用图1.1的脑部图像为样本。选取两组种子点和两个不同的生长条件。实验结果如下：

表2-1使用经典区域生长算法使用的参数

图2-1经典区域生长算法的实验结果

从实验结果上来看，对经典的区域生长算法的分割结果影响较大的因素有种

种子点

生长准则

4邻域的像素点和种子点绝对值小于10

4邻域的像素点和种子点绝对值小于15 使用otsu 得到的种子点图2-1从左到右从上到下第一幅图图2-1从左到右从上到下

第二幅图

设置像素值大于200为种子点图2-1从左到右从上到下第三幅图图2-1从左到右从上到下

第四幅图

设置像素大于220的为种子点图2-1从左到右从上到下第五幅图图2-1从左到右从上到下

第六幅图

子点的选取，和生长准则的制约，需要经过多次试验才可能得到满意的结果。但

是这种方法存在非常明显的缺点，由于算法使用迭代来查找符合条件的种子点，

所以空间和实践的开销很大！

2-2 连接门限阈值处理

这种方法和上面的经典区域生长算法稍微有些不同，在这里可以人为地给出

感兴趣的像素点的上限和下限，在区间的像素是我们感兴趣的，然后对邻域像素

进行判断，是否在感兴趣的区间之中，重复此操作，直到感兴趣的区域不再扩大。

实验结果如下图2-2：

表2-2 连接门限阈值分割才去的参数

种子位置下门限上门限输出图像

（107,69）180 210 图2-2从左到右第二幅图像（60,116）150 180 图2-2从左到右第三幅图像（81,112）210 250 图2-3从左到右第四幅图像

(1)原始脑部头像（2）

（3）（4）

图2-2 使用连接门限阈值处理得到的分割结果

使用连接门限阈值处理分割医学图像的好处是，可以根据需要分割出自己特别感兴趣的那一部分。但是这种方法非常难以选择种子点，种子点的选取对结果影响非常之大，同时当图像中感兴趣的那部分不连通的时候，分割后的图像往往是不完整的。

2-2 置信连接法分割图像

该算法计算包含在区域的的所有像素的平均值和标准差。在实验中，人为提供一个因子，用这个因子来乘以标准差来确定感兴趣的围。算法的流程分为三个步骤：

1）：选定种子点

2）：测试种子点的相邻像素点是否符合感兴趣的条件，如果符合则包含进感兴趣的区域。感兴趣的区域不再扩大，结束以一次迭代。

3）：使用新得到的感兴趣区域，重新计算像素的亮度值的均值和标准差，重复步骤2.直到感兴趣的区域不再扩大为止。

可以用一个公式来阐述感兴趣的区域：

I(X) ∈[m-f*σ，m+f*σ]

其中m是像素亮度的均值，σ是像素的标准差，f是用户自定义的系数，可以根据效果不同来自动调整。在本次实验中，我仍然使用和以上实验相同的数据和种子点,实验中选取的f值为2.5(可以适当调节)。实验结果如下图2-3：

(1)原始脑部头像(2)使用（107,69）种子点的分割结果

医学图像分割综述

医学图像分割方法汇总

医学图像分割方法汇总本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。原理：对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)

医学图像的分割

第六章医学图像分割医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。第一节医学图像分割的意义、概念、分类和研究现状医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。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内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。一般说来，有意义的图像分割结果中至少存在一个包含感兴趣目标的区域。

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景 A Review of Medical Image Segmentation Ai-Xin Guo Anhui University Abstract:Image segmentation is the key of image processing and analysis.With the development of medical image,image segmentation is of great significance in medical applications.From the perspective of medical applications,this paper made a simple review of the medical image segmentation on it’s significance、methods、evaluation standards and development prospects. Key words:medical image,segmentation,significance,methods,evaluation standards,development prospects 1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超声）及其它医学影像设备所获得的图像[2]。医学图像分割是将原始的2D或3D图像划分成不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来[1]。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，由于人与人之间有很大的差别，且人体组织结构形状复杂。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 2.医学图像分割的方法 2.1.基于区域的分割方法基于区域的分割方法有阈值法，区域生长和分裂合并，分类器与聚类和基于随机场的方法等。阈值分割是最常见的并行直接检测区域的图像分割方法。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开[2]。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围

医学图像分割方法综述

医学图像分割方法综述随着计算机技术的发展，图像分割在很多领域都得到发展并被广泛应用，在医学临床上的应用更是越来越明显和重要。找到合适的医学图像分割方法对临床诊断和治疗都具有重大意义。文章针对近年来提出的图像分割方法进行了总结。标签：图像分割；区域生长；聚类；水平集；图割 1 概述图像分割是图像处理和计算机视觉领域的基础。分割结果直接影响着后续任务的有效性和效率[1]。图像分割的目的就是把目标从背景中提取出来，分割过程主要基于图像的固有特征，如灰度、纹理、对比度、亮度、彩色特征等将图像分成具有各自特性的同质区域[2]。医学图像分割是医学图像进行后续操作的必要前提，学者通过大量的研究得到了很多自动快速的分割方法。 2 图像分割方法分类医学图像有各种成像模态，比如CT、MRI、PET、超声等。由于医学图像本身的复杂性和多样性，如灰度不均匀、低分辨率、弱边界和严重的噪声，准确分割是个相当棘手的问题，分割过程中在目标区域里出现的一些问题都将导致图像分割结果不准确。近年来，众多图像分割方法中没有任何一种算法能适用于所有图像。图像分割方法一般是基于图像的，即利用图像梯度、亮度或者纹理等就能从图像中获得信息进而对图像进行分割，主要有聚类法、区域生长、水平集、图割等算法。 2.1 聚类法聚类算法简单的包括K-Means算法和Fuzzy C-Means（FCM）。 K-Means算法是基于距离的硬聚类算法，通常采用误差平方和函数作为优化的目标函数，定义误差平方和函数如下：其中，K代表聚类的个数，Cj（j=1，2，…，K）表示聚类的第j类簇，x 表示类簇Cj中的任意一个数据对象，mi表示簇Ci的均值。从公式中看出，J是数据样本与簇中心差异度平方的总和，K个类聚类中心点决定了J值的大小。显然，J越小表明聚类效果越好。 K-Means算法的核心思想为：给定一组含有n个数据对象的数据集，从其中隨机选取K个数据对象作为初始中心，然后计算剩余的所有数据对象到各个初始中心之间的距离，根据最近邻原则，把所有数据对象都划分到离它最近的那个初始中心的那一类簇，再分别计算这些新生成的各个类簇中数据对象的均值，以此作为新类簇的中心，比较新的中心和初始中心的误差平方和函数J的大小，上

医学图像分割综述

龙源期刊网 https://www.docsj.com/doc/442517498.html, 医学图像分割综述作者：王益东来源：《健康必读（上旬刊）》2018年第04期【摘要】医学图像分割是指在医学图像中，利用计算机视觉技术，根据区域内像素的相似特性（纹理等）以及区域间的不同特性，将图像中感兴趣的区域（ROI）提取出来，获取有关人体组织器官的有效信息，反馈给医生以及学者作为诊断依据。随着计算机技术的日新月异和医疗设备的快速发展，医疗图像分割技术在影像医学中的作用日益增大。本文首先介绍了医学图像分割的背景及其应用。接着，详细分析了相关图像分割算法。最后，总结了医疗图像分割技术在目前面临的困难与挑战，并提出了展望。【关键词】医学影像；图像分割【中图分类号】TP391.41 【文献标识码】A 【文章编号】1672-3783（2018）04-0281-01 1 引言近几年来，随着计算机视觉技术和磁共振成像技术（MRI）、正电子放射层析成像技术（PET）、计算机断层成像（CT）、单光子辐射断层摄像（SPECT）、超声（Ultrasound）等医学影像设备的飞速发展，医学图像分割技术在影像医学中所发挥的作用越来越大。医学图像分割技术则是把医学图像分割成若干个具有不同特性的区域，区域内保持一定的相似性，区域间有一定的相异性，从而提取出感兴趣的部分。医学图像分割在临床诊断中发挥着重要作用，如：（1）生物医学图像分析：解剖结构的测量、心脏运动跟踪等。（2）组织、器官定量分析：通过对人体器官或是病变器官容积的定量检测，为医生的临床诊断提供依据。（3）医学图像3D重建：用于外科手术的仿真、药物治疗的评估等。目前，医学图像分割技术的发展仍然面临一些困境，主要原因在于医学图像的多样性、复杂性及其采集的困难性。由于人体器官位置的特殊性，医学图像采集较为困难，图形容易受到组织运动等问题的影响，所采集的医学图像相交于普通图像而言，噪声较大。并且人体间存在个体差异，不同人体的组织和器官差异较大。因此，针对医学图像对图像分割技术进行研究，显得尤为重要。 2 医学图像分割算法

医学图像分割综述

医学图像分割综述楼琼，11106109 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 1．背景介绍医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像处理的意义越来越重大，其一般流程如下图：而图像分割技术是图像分析环节的关键技术，其在影像医学中发挥着越来越大的作用 [1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。所谓图像分割是指将图像中具有特殊涵义的不同区域区分开，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。定义将一幅图像，其中(,)g x y 0_x Max x ≤≤,0y Max y _≤≤，进行分割就是将图像划分为满足如下条件的子区域：

a) ，即所有子区域组成了整幅图像。 1(,)(,)N k k g x y g x y ==∪b) 是连通的区域。 k g c) (,)(,)k j g x y g x y φ=∩，即任意两个子区域不存在公共元素。 d) 区域满足一定的均一性条件。其中均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 k g 如果连通性的约束被取消，那么对像素集的划分就称为分类，每一个像素集称为类。简便起见，在下面的叙述中将经典的分割和像素分类通称为分割。医学图像分割至今仍然没有获得很好的解决，其中一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可避免的具有模糊、不均匀性等特点。另外，人体组织结构形状复杂，而且人与人之间有很大的差别。这些都给医学图像分割带来了困难。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论、偏微分方程理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程、水平集方法等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中的新方法或对原有方法的新改进。 2．基于区域的分割方法图像分割通常会用到不同对象间特征的不连续性和同一对象内部特征的相似性。基于区域的算法侧重于利用区域内特征的相似性。 2.1 阈值法阈值分割是最常见的并行直接检测区域的分割方法[5]。如果只用选取一个阈值称为单阈值分割，它将图像分为目标和背景；如果需用多个阈值则称为多阈值方法，图像将被分割为多个目标区域和背景，为区分目标，还需要对各个区域进行标记。阈值分割方法基于对灰度图像的一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上有差异，反映在图像直方图上就是不同目标和背景对应不同的峰。选取的阈值应位于两个峰之间的谷，从而将各个峰分开。阈值分割的优点是实现相对简单，对于不类的物体灰度值或其他特征值相差很大时，能很有效的对图像进行分割。阈值分割通常作为医学图像的预处理，然后应用其他一系列分割方法进行后处理。阈值分割的缺点是不适用于多通道图像和特征值相差不大的图像，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。另外，由于它仅仅考虑了图像的灰度信息而不考虑图像的空间信息，阈值分割对噪声和灰度不均匀很敏感。针对阈值分割方法的缺点，不少学者提出了许多改进方法，如基于过渡区的方法[6]，还有利用像素点空间位置信息的变化阈值法[7]，结合连通信息[8]的阈值方法。对于多目标的图像来讲，如何选取合适的阈值实在是基于阈值分割方法的困难所在。至

医学图像分割文献综述

前言随着科学技术的发展，生物切片图像在生命科学、医学、农业等领域得到越来越广泛的应用。通过对切片图像进行图形、图像处理，可以从图像中提取有意义的目标．并重建出三维模型．为人们提供便利。与其他图像相比，生物切片图像具有颜色相近、灰度不均匀、边缘复杂等特点，增加了图像分割的难度。常用的图像分割方法有阈值法、基于边缘的方法、基于区域生长的方法等。对于生物切片图像，传统的分割技术或失败，或需要特殊的处理技术?。新兴的数学形态学技术在滤波去噪、保持轮廓信息等方面有着明显的优势。因此，形态学常与分割方法相结合，如用形态学改进边缘检测效果，应用于生物组织的纹理分割I，以及生物切片的交互式区域分割等。本文探讨形态学与阈值方法相结合的模板法。以实现医学病理切片图像中真皮区域分割 2．2医学图像分割概述算法应用与研究图像分割是图像处理中的关键问题，分布的区域，得到的图像称为分割图像，可以给出如下图像分割的定义[1】：它把图像分成若干个按照一个或几个特征均匀表示的是区域信息。借助集合概念对图像分割令集合R代表整个图像区域，对R的分割可以看着将R分成N个满足以下五个条件的非空子集；Ⅳ ①lJRi=R f=l ②Rin母=a，对所有的i和j，f≠J ③P(Ri)=TRUE，i--1，2一·N ④P(RiA母)=FALSE，i≠J ⑤Rf是连通的区域，i=l，2···N 条件①指出在对一幅图像的分割应将图像中的每个像素都分进某个子区域中；条件②指出在分割结果中各个子区域是互补重叠的；条件③指出在分割结果中每个子区域都有独特的特性；条件④指出在分割结果中，各个子区域具有不同的特性，没有共同元素；条件⑤指出分割结果中同一个子区域内的像素应该是连通的。医学图像中包含的内容很多，有些是临床诊断所关心的有用区域，称之为感兴趣区域(Region Of Interest，ROI)，有些是不感兴趣的周围环境区域，称之为不感兴趣区域(Region Of Uninterested，ROU)。为了识别和分析医学图像感兴趣区域，就必须将这些区域分离出来。在医学图像处理中，自动识别有特定意义的图像成分，解剖结构和其他感兴趣的区域，是图像分割技术的一个根本任务。图像分割技术极大的推动了可视化和特定组织结构处理的发展。而这往往是决定着整个临床和研究分析结果的关键一步。图像分割的研究多年来一直受到人们的高度重视，至今提出了各种类型的分