醫學圖像分割：令R代表整個圖像區域，對R的分割可看做將R分成若干個滿足以下條件的非空子集(子區域){R1,R2,R3…Rn}。該集合滿足以下特性：
所謂醫學圖像分割，就是根據醫學圖像的某種相似性特征（如亮度、顏色、紋理、面積、形狀、位置、局部統計特征或頻譜特征等）將醫學圖像划分為若干個互不相交的“連通”的區域的過程，相關特征在同一區域表現出一致性或相似性，而在不同區域表現出明顯的不同，也就是說在區域邊界上像素存在某種不連續特性。
區域作為圖像分割中像素的連通集合和基本分割單位，可以按照不同的連通性來定義：4連通區域和8連通區域。區域的連通性是指在一個區域中任意兩個像素之間，都存在一條完全屬於這個區域的像素所構成的連通路徑。如果只依據處於四正位(上、下、左、右)或四角位（左上、左下、右上、右下）的相鄰像素確定區域的連通性，就稱為4連通；如果同時依據處於四正位和四角位相鄰的像素確定區域的連通性則稱為8連通。
1、醫學圖像分割：是醫學圖像處理與分析領域的復雜而關鍵的步驟，其目的是將醫學圖像中具有某些特殊含義的部分分割出來，並提取相關特征，為臨床診療和病理學研究提供可靠的依據，輔助醫生做出更為准確的診斷。
2、醫學圖像分割：醫學圖像成像有多種圖像模態，諸如MR、CT等。二維圖像中的每個元素稱為像素，三維圖像中的每個元素稱為體素，在某些情形下，可以把三維圖像表示為一系列二維切片進行觀察，優點是計算復雜度低且需要的內存小。
3、醫學圖像分割：從醫學圖像中自動分割出目標是個艱巨的任務，因為醫學圖像具有較高的復雜性且缺少簡單的線性特征；此外分割結果的准確率還受到部分容積效應、灰度不均勻性、偽影、不同軟組織間灰度的接近性等因素的影響。針對通常采用的校正技術來說，可以將MR和CT圖像中的偽影分類為：(1)需要適當的濾波算法處理的偽影，如噪聲偽影、敏感性偽影、存在非清晰邊緣的偽影；(2)需要適當圖像修復算法的偽影，如運動偽影；(3)需要特定算法的偽影，如部分容積和灰度不均勻性。圖像處理領域盡管在已存在很多算法處理上述問題，但是醫學圖像分割仍然是個復雜和具有挑戰性的問題。從醫學圖像處理過程的角度來看，基於灰度和基於紋理特征技術的分類是常規的分類方式。此外，用機器學習的工具去優化這些圖像分割算法是當前較受關注的技術．
4、CT圖像分割常用的一些方法有：基於閾值、基於區域、基於形變模型、基於模糊及基於神經網絡。
5、影響因素：（1）噪聲：由於成像設備、成像原理以及個體自身差異的影響，醫學圖像一般會含有很多噪聲。由於噪聲對於位置和空間的約束是獨立的，從而可以利用噪聲的分布來實現降噪。
（2）偽影：偽影一般是在圖像配准和三維重建時產生（如CT），從原理上來說，只能較少，無法消除。CT成像中的偽影包括：部分容積效應、條形偽影、運動偽影、束硬化偽影、環狀偽影、金屬偽影等。由於這些偽影的存在給CT圖像分割帶來了一定的難度，不同組織部位分割精度也不一樣。
6、醫學圖像分割模型：FCN、UNet。