医学图像分割技术的发展，是从手工分割到人机式的半自动分割，再逐步发展到全自动分割的过程。手工分割指的是由具有丰富经验的临床医生在原始胶片上直接勾勒出组织的边界，或者是把显示在计算机上的图像通过图像编辑器勾画出组织边界或者感兴趣的区域，手工分割对人的先验知识有很高的要求。随着计算机技术的发展出现了半自动分割技术，该分割技术是将计算机的数据存储和计算功能和医学专家的经验和知识结合起来，运用人机交互的方法来完成图像的分割。全自动分割则是由计算机根据事先编好的算法运行独立自动完成图像的分割全过程。但大部分全自动分割算法的实现复杂，分割结果不理想，且分割的速度和性能也需要提高。28150
目前临床医学上，研究实用的全自动分割方法来取代繁琐的人工分割或者半自动分割一直是人们追求的目标，全自动分割方法，这是近年来医学影像的研究重点和关键技术。根据传统的图像分割方法，可以将图像分割方法分为基于阈值的分割方法、基于区域的分割方法和基于边界的分割方法。
（1）基于阈值的分割方法
基于阈值的分割方法是一种最早出现的简单的分割方法，该方法应用广泛，分割速度快，在灰度相差较大且分割背景较简单的图像中能得到较好分割效果。其算法的基本原理是通过对图像的灰度进行统计，选择一个合适的阈值，将小于该阈值的像素点划分为一类，大于该阈值的像素点划分为一类。该算法的关键是基于某个标准准则函数，最后选择一个最合适的灰度值，进而进行图像分割[5]。由于该算法是对整张图像的灰度值进行处理，忽略图像中区域之间的联系，当图像中的划分区域较多时候不能得到较好的分割效果。比较常用的基于阈值的分割算法有全局阈值分割、局部阈值分割、最小误差法、最大熵法和大律法。论文网
（2）基于区域的分割方法
基于区域的分割方法是根据图像的特点，通常是对一幅图像按其特征相似性划分为若干意义的区域[6-9]。区域的分割算法在输入的图像的区域之间像素灰度值相差较大的情况下有较好的分割效果，但医学图像的区域之间较模糊，在图像区域之间的灰度值变化不明显的情况下，区域分割只作为一种图像的预处理，便于进行下一步的图像分割。基于区域的基本分割方法主要有四种种形式：聚类分割、区域生长、分裂合并和分类法。
（3）基于边界的分割方法
基于边界的分割方法是利用梯度信息来确定目标的边界，常见基于边界的分割方法有：边缘跟踪算法、基于曲面拟合方法等[10]。各种微分算子，包括局部微分算子，如Roberts算子、Sobel算子、Krisch算子、Prewitt梯度算子等。上述的几个基于边界的分割方法最噪声敏感，分割算法基于单个像素灰度值，故当图像中的边缘两侧区域的像素灰度值变化不明显时，不能得到较好的分割效果，因容易出现产生不正确边界或间断的边界。
近年来，随着一些新技术(如数学形态学、模糊数学、数字拓朴学、人工智能、神经网络学和临床解剖学等技术)在图像处理中的应用，各种新方法在融合在一起改进图像分割，使图像分割技术取得了显著的进展。目前主流的分割方法可简单分为基于聚类方法、基于形变模型方法和基于随机场方法。
（1）基于聚类方法
聚类分析又称为群分析，是按样本的特征进行合理分类，把特征相似的数据点划分为一类。聚类分析算法的思想来自于分类学，随着MRI图像包含的信息越来越多，对分类的要求也越来越高，人们逐渐把多元分析引入到分类学中，形成了聚类分析。聚类分析的目的是将数据集合中有相似性的数据点聚划分为一定数目的子集。使得同一子集内部的样本具有较小的相似性[11]，基于聚类的主要方法有：K-means算法、期望最大算法、高斯混合密度分解算法、模糊C均值聚类算法等。几年来，比较主流的基于聚类的方法是改进FCM算法，通常改进方向是合理利用空间信息，解决传统FCM没有考虑空间信息的缺点。 医学图像分割技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_22900.html