医学图像的分割
医学图像分割方法综述
原理: 分裂合并的思想将图像先看成一个区域，然后区域不断被 分裂为四个矩形区域，直到每个区域内部都是相似的。研究重 点是分裂和合并规划的设计。
缺点: 分裂技术破坏区域边界。
example
• 在想要分割的部分选择一个或者多个种子 • 相邻像素就会以某种算法进行检测 • 将符合检测条件的像素加入到区域中 • 逐渐生长为满足约束条件的目标区域
途径: 先用基于区域的分裂合并方法分割图像，然后用边界信息对区 域间的轮廓进行优化；先在梯度幅值图像中检测屋脊点和波谷点, 通 过最大梯度路径连接奇异点获得初始图像分割，然后采用区域合并技 术获得最终结果等
其它分割方法
基于模糊理论:图像分割问题是典型的结构不良问题，而模糊集理论具 有描述不良问题的能力。基于模糊理论的图像分割方法包括模糊阈值 分割方法、模糊聚类分割方法和模糊连接度分割方法等。
优点:实现简单，对不同类灰度值或其他特征相差很大 时，能有效分 割。常做医学图像的预处理。
缺点: 不适应多通道和特征值相差不大的图像；对噪声和灰度不均匀 很敏感；阈值选取困难。
直方图
• 图像区域由灰度值区分开
基于阈值的图像分割
阈值:
选择灰度值作为阈值
g m in和g m a x
遍历整幅图像检测像素是否在此区域内
分类: 形变模型包括形变轮廓(deformable contour) 模型（又称 snake或active contour ），三维形变表面（deformable surface ）模型。
形变轮廓模型: 使轮廓曲线在外能和内能的作用下向物体边 缘靠近，外力推动轮廓运动，而内力保持轮廓的光滑性。
基于阈值的图像分割
医疗影像处理中的医学图像分割技术教程
医疗影像处理中的医学图像分割技术教程在医学影像处理中，医学图像分割是一个重要的技术领域。
它涉及将医学图像中感兴趣的区域分离出来，以便进行进一步的诊断和分析。
医学图像分割可以帮助医生识别病变的位置和形状，从而更准确地进行诊断和治疗。
本文将介绍一些常见的医学图像分割技术和其应用。
1. 阈值分割阈值分割是最简单的图像分割方法之一。
它基于图像中像素的不同灰度值，并根据预先设定的阈值将图像分成两个或多个不同的区域。
这种方法适用于图像中病变和正常组织的灰度差异较大的情况。
但是，在一些图像中，不同组织或病变的灰度差异很小，使用阈值分割可能无法得到满意的结果。
2. 区域生长算法区域生长算法是基于像素的相似性进行分割的方法。
它从一个种子点开始，逐渐扩展区域并与相邻像素进行比较。
如果相似性满足预先设定的条件，则将其添加到当前区域中。
该方法适用于病变边缘比较清晰，具有连续性的情况。
但是，如果图像中存在一些边缘不明显或互相重叠的病变，区域生长算法可能会导致错误的分割结果。
3. 边缘检测和描绘边缘检测是一种常见的图像处理方法，用于检测图像中不同区域之间的边界。
在医学图像分割中，边缘检测可以帮助医生识别病变的轮廓和形状。
常用的边缘检测算法包括Sobel算子、Canny算子等。
检测到的边缘可以通过描绘线或多边形来表示，以实现图像的分割。
4. 主动轮廓模型主动轮廓模型是一种基于能量最小化的图像分割方法。
它通过在图像中放置一个具有弹性的轮廓线，并利用能量最小化算法来调整轮廓，以最好地适应图像中的边界和纹理。
主动轮廓模型适用于复杂的病变或器官分割，可以通过人工干预来提高分割的准确性。
5. 基于机器学习的方法近年来，基于机器学习的方法在医学图像分割中得到了广泛的应用。
这些方法利用大量的标注数据进行训练，并根据输入图像的特征来预测每个像素的类别。
常见的机器学习算法包括支持向量机（SVM）、卷积神经网络（CNN）等。
机器学习方法在分割准确性和自动化程度方面具有优势，但是需要大量的训练数据和计算资源。
医疗图像处理中的图像分割方法教程
医疗图像处理中的图像分割方法教程医疗图像处理是近年来发展迅速的领域，它利用计算机技术对医学图像进行处理和分析，为医生提供准确的诊断和治疗方案。
而图像分割作为医疗图像处理的重要组成部分，旨在将医学图像中的对象从背景中区分出来，以提供更详细、更准确的信息。
在医疗图像处理中，图像分割方法具有不可忽视的重要性。
以下将介绍一些常用的医疗图像分割方法，以帮助读者更好地理解和应用。
1. 基于阈值的分割方法基于阈值的分割方法是图像处理中最简单、最直观的一种方法。
它假设图像中的目标与背景具有明显的灰度差异，并通过设置合适的阈值来分割图像。
在医疗图像处理中，可以利用生理特征或者病灶的灰度分布来确定阈值，帮助准确地分割出病变区域。
2. 基于边缘检测的分割方法基于边缘检测的分割方法通过检测图像中的边缘来实现分割。
边缘是图像中灰度变化明显的位置，可以有效区分目标与背景。
常用的边缘检测算法包括Sobel算子、Canny算子等。
通过这些算法可以提取出图像中的边缘信息，然后将目标与背景分离。
3. 基于区域生长的分割方法基于区域生长的分割方法是一种基于灰度值相似性的分割方法。
它从种子点开始，通过逐渐生长的方式将相似灰度值的像素点合并到一个区域中，直到满足一定的停止标准。
这种方法可以有效地处理医疗图像中的噪音和弱边缘问题，得到更加准确的分割结果。
4. 基于图像统计特征的分割方法基于图像统计特征的分割方法利用图像中不同区域的统计特征来实现分割。
例如，可以利用均值、方差、纹理等特征来描述不同区域的差异，并根据这些差异进行分割。
这种方法可以克服基于灰度值的分割方法在处理复杂医学图像时的缺陷，并得到更准确的分割结果。
5. 基于机器学习的分割方法基于机器学习的分割方法利用先前已知的标记样本训练分类器，然后将分类器应用于待分割图像中。
常用的机器学习算法包括支持向量机、决策树、神经网络等。
通过这些算法可以将图像中的像素点分为不同的类别，从而实现图像的分割。
医学影像处理中的图像分割算法使用技巧
医学影像处理中的图像分割算法使用技巧医学影像处理是一门涉及医学图像采集、存储、处理和分析的学科。
医学图像中通常包含大量的信息，因此图像分割是医学影像处理中必不可少的一环。
图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程，它通常用于检测病变区域、提取感兴趣的解剖结构或组织等。
在医学影像处理的图像分割中，有许多算法可供选择，下面将介绍一些常用的图像分割算法以及它们的使用技巧。
1. 阈值分割阈值分割是最简单且常用的图像分割方法之一。
它基于像素的灰度值，将图像中大于或小于特定阈值的像素分离出来。
阈值分割适用于图像中目标和背景的灰度值存在明显差异的情况，例如CT扫描中的骨骼分割。
在使用阈值分割时，需要根据图像的特点选择适当的阈值，并进行阈值的优化和调整，以获得更好的分割效果。
2. 区域生长区域生长是一种逐像素地将图像分割为几个连通区域的方法。
它通过选择种子点和定义生长准则来实现图像的分割。
区域生长适用于图像中目标的灰度值相似的情况，例如MRI图像中的脑部分割。
在使用区域生长时，需要选择适当的种子点，并根据具体情况设置生长准则，以获得准确的分割结果。
3. 边缘检测边缘检测是通过寻找图像中不连续的灰度值变化来实现图像分割的方法。
它可以准确地检测出图像中的边缘信息，并将其作为分割结果。
边缘检测适用于图像中目标的边界清晰的情况，例如X射线图像中的器官分割。
在使用边缘检测进行图像分割时，需要选择适当的边缘检测算法，并进行参数调整以获得满意的分割效果。
4. 水平线剖分水平线剖分是一种基于灰度值水平变化的分割方法。
它通过对图像的水平方向进行剖分和分析，将图像中的区域分隔开。
水平线剖分适用于图像中存在明显的水平变化的情况，例如胸部X射线图像中的肺部分割。
在使用水平线剖分进行图像分割时，需要选择适当的剖分方法，并进行参数的调整以获得理想的分割效果。
5. 基于机器学习的分割基于机器学习的分割方法是近年来发展起来的一种分割方法。
图像分割技术在医学图像处理中的应用案例
图像分割技术在医学图像处理中的应用案例摘要随着医学图像获取技术的不断发展和进步，大量的医学图像数据被产生并存储。
图像分割技术作为一种对医学图像进行处理和分析的关键技术，在医学领域中得到了广泛的应用。
本文将介绍图像分割技术在医学图像处理中的三个应用案例，分别是肺部CT图像的分割，脑部MRI图像的分割以及乳腺癌图像的分割，并对这些应用案例的意义和存在的问题进行讨论。
1. 肺部CT图像的分割肺部CT图像的分割是一项在临床诊断中非常重要的任务。
准确的肺部CT图像分割可以帮助医生对肺癌等肺部疾病进行准确诊断和治疗。
传统的肺部CT图像分割方法主要依靠手工绘制轮廓进行分割，但是由于肺部结构的复杂性和CT图像的噪声等问题，手工绘制的分割结果往往存在不准确和主观性强的问题。
图像分割技术的应用能够有效解决这些问题。
一种应用于肺部CT图像分割的技术是基于深度学习的分割方法。
通过构建深度卷积神经网络模型，可以自动学习肺部CT图像中不同组织和病灶的特征表示，并生成准确的分割结果。
这种方法不仅能够提高分割的准确性和效率，还可以减轻医生的工作负担，提高临床诊断效率。
2. 脑部MRI图像的分割脑部MRI图像的分割是神经科学研究和脑部疾病诊断中的一个重要任务。
脑部MRI图像中的不同组织和结构具有不同的强度和特征，通过对这些图像进行分割，可以帮助医生对脑部相关疾病进行诊断和治疗。
传统的脑部MRI图像分割方法主要依靠人工规则和阈值等手工设计的方法进行分割，但是这些方法往往需要大量的人工干预和调整，并且存在分割结果不准确的问题。
图像分割技术的应用可以有效克服这些问题。
一种应用于脑部MRI图像分割的技术是基于区域生长的分割方法。
该方法利用图像的强度信息和局部区域之间的相似性，自动寻找具有一致性的像素集合，并将其分割出来。
通过将不同的区域生长算法进行组合和优化，可以得到准确的脑部MRI图像分割结果。
3. 乳腺癌图像的分割乳腺癌是女性中最常见的恶性肿瘤之一，对其早期诊断和治疗具有重要意义。
医学图像分割介绍说明课件
图像质量与噪声问题
VS
人体解剖结构复杂且动态变化，对医学图像分割提出了更高的要求。
详细描述
人体不同器官和组织具有不同的形态和结构，且在疾病状态下会发生形态和密度的变化。此外，人体内部各部位之间也存在相互遮挡和干扰的情况，这使得准确识别和分割医学图像变得更为困难。
总结词
复杂的解剖结构与动态变化
早期的医学图像分割主要依靠手工绘制，费时费力且精度不高。
早期阶段
随着计算机技术的发展，开始出现基于阈值、区域生长等简单的自动分割方法。
初级阶段
随着机器学习和深度学习技术的兴起，医学图像分割精度得到大幅提升，成为当前研究的热点领域。
发展阶段
未来医学图像分割技术将朝着更高精度、更自动化、更智能化的方向发展，为医疗健康事业提供更多可能性。
未来展望
医学图像分割的历史与发展
02
CHAPTER
医学图像分割技术
总结词
简单、快速、对图像质量要求高
详细描述
基于阈值的分割方法是最简单的图像分割方法之一，通过设定一个阈值将图像分为前景和背景两部分。该方法计算速度快，但对图像质量要求较高，对于灰度不均匀、噪声较多的医学图像分割效果较差。
基于阈值的分割方法
数据标注与训练样本不足
05
CHAPTER
医学图像分割的未来展望
跨模态医学图像分割是指将不同模态的医学图像进行分割，以提供更全面的医学信息。
随着医学影像技术的不断发展，不同模态的医学图像（如X光、CT、MRI等）被广泛应用于临床诊断和治疗。跨模态医学图像分割技术可以将这些不同模态的图像进行融合，对病变组织和器官进行更精确的分割，为医生提供更全面的医学信息，提高诊断和治疗的准确性和可靠性。
图像分割技术在医学图像诊断中的应用
图像分割技术在医学图像诊断中的应用在医学领域，图像分割技术是一种非常重要的技术。
它可以将医学图像中的不同部位或组织分离开来，进而辅助医生进行诊断和治疗。
本文将介绍图像分割技术在医学图像中的应用，包括其原理、方法和优劣势等方面。
一、图像分割技术基础原理图像分割是将一幅图像分成若干个部分的过程，这些部分相互之间具有边界或分界线。
图像分割技术实际上是在对医学图像进行“分块”，将图像中的信息提取出来，从而辅助医生进行诊断和治疗。
图像分割技术基础原理包括两个方面：一是图像特征提取，二是图像分类。
图像特征提取涉及到从图像中提取出一些特征，这些特征可以用来区分不同的区域。
比如说，我们可以根据像素点的颜色、亮度、纹理等特征来将图像分成多个部分。
图像分类是指将图像中的各个部分进行分类细化，使得区分出的不同部分可以更精确地描述图像的特征。
相对于前者，图像分类更为复杂，是要将基本的特征细化到更加具体的层次。
二、图像分割技术方法在医学图像领域，常用的图像分割技术方法有很多，这里我们仅列举一些常见的方法：1. 基于阈值分割基于阈值分割是最简单的一种图像分割方法，它通过设置灰度值阈值将图像分割成两个部分。
一种常见的阈值分割方法是OTSU阈值算法，这种方法可以根据图像的灰度特征自动调整阈值。
2. 基于边缘检测的分割这种分割方法是基于边缘检测算法的，它通过检测图像中的边缘来划分不同区域。
常用的边缘检测算法包括Sobel算法、Laplace算法、Canny算法等。
3. 基于区域生长的分割这种分割方法是基于图像灰度值相似性的，它将图像分割成若干个区域，每个区域内的灰度值差异比较小。
常用的区域生长算法包括分水岭算法、区域生长算法等。
4. 基于聚类的分割这种分割方法是基于聚类算法的，它将图像分割成若干个聚类簇，每个簇内的像素点性质相似。
常用的聚类算法包括K-means 聚类算法、期望最大算法、模糊聚类算法等。
以上这些方法都有各自的优缺点，具体选择哪种方法需要根据具体的应用场景和需求来决定。
医学影像处理中的医学图像分割技术使用技巧
医学影像处理中的医学图像分割技术使用技巧在医学影像处理领域，医学图像分割技术起着重要的作用。
医学图像分割是指将医学图像中不同组织或结构分离出来，以便进行进一步的分析和诊断。
本文将介绍一些医学图像分割技术的使用技巧，以帮助医学影像处理人员提高工作效率和准确性。
1. 选择合适的分割算法医学图像分割算法有很多种，如阈值分割、边缘检测、区域生长、水平线算法等。
选择合适的分割算法取决于图像的特点和所需的分割结果。
例如，阈值分割适用于灰度图像中明显的组织对比度区域，边缘检测适用于分割具有清晰边缘的结构，区域生长适用于分割局部区域或特定类型的组织。
2. 预处理图像在进行医学图像分割之前，通常需要对图像进行预处理。
预处理包括去除噪声、增强对比度和平滑图像等步骤。
去除噪声可以使用滤波器，如高斯滤波器或中值滤波器。
增强对比度可以使用直方图均衡化或自适应直方图均衡化方法。
平滑图像可以使用平滑滤波器，如均值滤波器或中值滤波器。
3. 选择适当的特征医学图像中的不同组织或结构可能具有不同的特征，如纹理、颜色、形状等。
选择适当的特征有助于提高图像分割的准确性。
常用的特征提取方法包括灰度共生矩阵、小波变换、局部二值模式等。
根据图像的特点选择合适的特征，可以进一步改善分割结果。
4. 选取适当的分割参数不同的分割算法有不同的参数需要调整。
选择适当的参数值对于分割结果的准确性至关重要。
通常可以使用试错法来选择最佳参数。
通过尝试不同的参数组合并对比结果，找到最适合的参数，以达到较好的分割效果。
5. 进行后处理图像分割后，可能会出现一些不完整或不准确的分割结果。
为了提高分割结果的质量，需要进行后处理。
常用的后处理方法有形态学运算、曲线充填和区域合并等。
形态学运算可以用来填补空洞或去除小的噪点。
曲线充填可以用来闭合边缘，使分割结果更加完整。
区域合并可以用来合并相邻的区域，并生成更准确的分割结果。
6. 结合其他影像信息除了使用单一的医学图像进行分割，结合其他影像信息也可以提高分割的准确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
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。
区域(Region)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，都存在一条完全由属于这个区域的元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。
在数学上，医学图像分割可以用集合论模型予以描述：已知一幅医学图像I 和一组相似性约束条件i C (Λ,2,1=i )，对I 的分割就是求取它的一个划分的过程，即: Nj 1=Y j R =I , ],1[,,,N k j k j R R k j ∈≠∀=φI （6.1）其中， j R 为同时满足所有相似性约束条件i C (Λ,2,1=i )的连通像素点的集合，即我们所谓的图像区域；N 为不小于2的正整数,表示分割后区域的个数。
在如上集合论模型描述中，如果保持区域连通性的约束被取消，那么对图像所属像素集的划分就称为分类(Pixel classification)，其中每一个像素集合称为一类(Class)。
在本章后面的讨论中，为了描述上的方便，我们往往不加区分地将经典的区域分割和像素分类统称为图像分割。
通常，医学图像分割方法可以划归为三大类：基于阈值的分割方法、基于边缘的分割方法和基于区域的分割方法。
在理想情况下，医学图像中的每一个区域都是由相应的封闭轮廓线包围着。
原则上，使用边界跟踪算法可以得到区域的边缘（或封闭的轮廓线）；反过来，使用简单的区域填充算法也可以得到边缘所包围的区域。
但在实际的医学图像中，很少能够从区域中得到连续、封闭的边缘，反之亦然。
由于受人体内外环境中种种确定性、不确定性因素的干扰和成像噪声的影响，实际所获得的医学图像不可避免具有模糊、不均匀等缺陷；另外，人体的解剖结构比较复杂而且因个体的病理或生理差异有很大的不确定性，这在医学图像中引入了新的复杂性，同时也给医学图像分割带来了很大的困难；还有，现有医学图像分割的基本方法大多数是针对2D 图像进行的，当推广到3D 乃至4D 医学图像分割应用场合时，在数据结构和算法处理上不可避免导致更大的复杂性，使得医学图像的分割更为困难。
近年来大量学者致力于将新概念、新思想和新方法应用于复杂二维医学图像和高维医学图像或者图像序列的分割，其中包括数学形态学、模糊理论、神经网络、遗传算法、蚁群算法、粗糙集理论、水平集理论、支持向量机、马尔科夫随机场理论、核函数方法、小波分析和小波变换等，其间有很大一部分属于基于模式识别原理的医学图像分割方法。
各种分割方法或数学工具的有效应用，极大地改善了医学图像的分割效果。
纵观医学图像分割技术的发展历程，实际上是一个从人工分割到半自动分割和全自动分割逐步发展的过程。
人工分割是指由经验丰富的临床医生在原始胶片图像上直接勾画出组织的边界，或者通过图像编辑器用鼠标在计算机显示器上勾画出组织的边界或感兴趣区域。
半自动分割技术是随着计算机科学的发展而产生的，它把计算机强大的数据处理、算法分析和智能计算能力以及自动存贮和记忆功能与医学专家的知识和经验有机地结合起来，通过人机交互的方式完成图像分割。
全自动分割则彻底脱离了人为干预，完全由计算机自动完成图像分割的全过程。
由于全自动分割方法不存在人为因素的影响，为图像中感兴趣区域的自动精确测量奠定了基础。
但是绝大多数自动分割算法实现复杂，运算量较大，在很多情况下，分割结果尚不理想，分割速度和性能也有待提高。
从目前图像分割技术在临床上的应用情况来看，人工分割的精度在所有分割方法中是最高的，被视为金标准，但该方法费时、费力，其分割结果的优劣完全取决于操作者的经验和知识，且分割结果难以重现。
半自动方法与人工分割相比，分割速度有明显提高，但其分割结果在很大程度上仍然依赖于操作者的主观经验和知识，这在一定程度上影响了半自动分割技术在临床上的广泛应用。
研究高效、实用的全自动分割方法并最终取代繁琐的人工分割和主观性依然很强的半自动分割一直是人们追求的目标，也是近年来图像分割方法的研究重点。
由于医学图像经常存在对比度低、组织特征的可变性大以及不同软组织之间或软组织与病灶之间边界模糊、微细血管或神经结构形状分布复杂等特点，加上成像中种种客观因素的制约，使得医学图像分割成为医学图像处理过程中的一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种准确评价分割成功与否的客观标准[1]。
第二节基于阈值的图像分割方法阈值法是一种常用的将图像中感兴趣目标与图像背景进行分离的图像分割方法，常用的阈值法基本上都是基于一维灰度直方图统计特征的分割方法(见图6-1(2))，它简单地用一个或几个阈值将图像灰度直方图分成两段或多段，而把图像中灰度值在同一段内的所有像素归属为同一个物体。
很明显，这类分割方法基于如下前提与假设：对应于特定物体或背景的像素灰度呈现峰状分布特征并且基本集中于不同的灰度区间内。
设原始图像为),(y x I ，阈值法按照一定的规则在),(y x I 中确定若干个门限值,,,,21N T T T Λ其中1≥N ，利用这些门限值将图像分割为几个部分。
分割后的结果图像可表述为⎪⎪⎪⎩⎪⎪⎪⎨⎧<<≤<≤≥=--1021111),(),(),(),(),(T y x I L T y x I T L T y x I T L T y x I L y x R N N N N N 若若若若M（6.2） 其中，N L L L ,,,10Λ为结果图像的灰阶。
如果2=N ，上述分割步骤也被称为基于阈值法的医学图像二值化过程。
需要注意的是，医学图像的二值化通常是指通过一定的方法使得医学图像上的所有点的灰度或颜色值只有两种取值。
图像二值化的目的主要就是为了简化图像，并使图像具有鲜明的对比性，以便于对图像进行后续处理。
实际上医学图像分割和医学图像的二值化是既有区别又有联系的两个概念，如式（6.2）在2>N 的情况下，图像分割的结果并不一定只具有两种颜色或灰度值，此时该步骤便只能被称为图像的多阈值分割过程，而不能称作图像的二值化。
传统的阈值分割法通常直接利用图像的一维灰度直方图进行分割，或基于图像本身的灰度或颜色分布特征，来确定一个或多个门限N T T T ,,,21Λ，把N 个门限将灰阶所对应数轴划分成1+N 个区间。
对于图像中的任意一个像素，如果它的值处于第i 个区间内，它就属于第i 类目标。
该类方法适用于内容不太复杂且灰度分布较为集中的图像。
理想情况下，从灰度直方图上根据经验直接选取合适的门限即可很好地区分开不同种类的组织（比如CT 图像中皮肤、血管、骨骼等硬、软组织的分割），但在绝大多情况下,简单阈值法并不能得到正确有效的分割。
其原因在于图像的一维直方图一般是图像中各像素灰度值出现频数的统计结果，它只反映出图像中不同灰度值出现的频率，而不能反映某一灰度值的像素所对应的位置及其邻域特征, 因此它孤立地对每个像素进行运算而仅仅相关于图像中某点像素的信息，却忽略了其空间邻域信息,这使得该方法对于噪声和灰度不均匀性很敏感,此外对于各物体不存在明显灰度差异或各自灰度范围有较大重叠的图像而言，在灰度直方图中，可能没有显著的统计特征，如直方图呈现大量毛刺、没有明显多峰、谷底表现比较平坦等，这种情况下就非常不利于阈值的选取,此时如何确定最佳分割阈值将是一个极为关键和困难的问题。
如果阈值选取不合理，则会把一些本来不是目标的像素也当作目标，造成误识；或者把一些目标漏掉造成漏识。
由于在绝大多数情况下物体和背景的对比度在图像中各处不是完全一样的，很难用一个统一的阈值将物体与背景分开。
在阈值分割技术具体实施过程中，人们往往还需要通过控制阈值选取范围的方法实现局部分割阈值的选择，即将原始图像划分成较小的图像，并对每个小图像根据图像的局部特征分别采用不同的阈值进行分割。
实际处理时，既可按照具体问题将图像分成若干子区域分别选择阈值，也可动态地根据某点邻域内的图像特征选择每点处的阈值而实现图像分割，这往往被称为自适应阈值分割。
当然在图像中背景和目标具有明显对比度差异的情况下，直接对整幅图像采用统一的阈值做分割处理即可，这也是通常所说的全局阈值分割。
阈值法作为一种古老的图像分割方法，因其实现简单、计算量相对较小、性能较稳定已经成为图像分割中最基本和应用最广泛的分割技术之一。
在运用阈值法进行图像分割的过程中由于每个像素的所属类别只依赖于它的数值,能够实现并行的快速实时操作，这使得阈值法常常作为关键的预处理步骤被用在各种图像处理过程之中。