主要依据一些特定的特征信息来进行。图像分割中，可用的特征信息主要包括图像灰度、颜色、纹理、局部统计特征、形状和频谱特征等。在医学图像上，这些特定区域就是指具有特定功能的解剖结构单位或组织空间。分割的目的是将感兴趣区域提取出来，为结构分类作准备，并为定量、定性分析提供基础。图像分割可以分为面向整体区域的整体分割和面向局部的部分分割。

整体分割的定义：将一幅图像进行分割就是将图像按照一定规则划分为不同的、不相关联的、非空的子区域，划分的规则如下：①，即所有子区域组成了整幅图像。②是连通区域。③，即任意两个子区域不存在公共元素。④区域满足一定的均匀性原则。

均匀性原则的选择在很大程度上影响图像分割的结构。医学断层图像的均匀性原则是指按医学分类的方法来确定的具有一定功能的解剖结构。在多数情况下，该结构（目标）与背景之间的区分是模糊的，人在分辨图像的目标和背景时，不仅要根据图像本身的性质，还要根据其学科知识和经验做出判断，而这些学科知识和经验尚难以用数学方式表达。图像分割是图像处理、图像分析和计算机视觉等领域主要的研究课题之一，是数字解剖学发展的瓶颈问题之一。随着各学科新理论和新方法的提出，出现了许多与特定理论、方法相结合的图像分割方法，包括基于水平集、聚类分析、模糊集理论、小波变换、神经网络的分割方法等，特别是基于人工智能技术的分割方法有限提高了医学图像的分割精度和准确度，如基于Unet框架的图像分割方法。尽管人们在图像分割方面做了许多研究工作，但由于尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。对于不同领域中广泛存在的不同类型的图像，至今还没有一种通用而又方便的分割方法。

图像分割中另一个重要问题是对分割算法的定性和定量评估，这对于医学图像的分割尤其重要，因为分割的准确度直接关系到临床应用的效果。医学图像来源于多种成像模式，如计算机断层扫描（CT）、磁共振成像（MRI）、超声等，图像具有多样性和复杂性。由于医学图像的成像原理和组织本身的特性差异，且图像的生成受到诸如噪声、场偏移效应、局部体效应和组织运动等的影响，医学图像不可避免地具有模糊、不均匀等特点。另外，人体组织的解剖结构形状复杂，且个体差异较大。所有这些因素造成了图像分割的复杂性和不确定性，也制约了医学图像分割的准确性。准确性是科学研究全过程的根本要求。图像分割的准确性会直接影响三维重建的准确性。影响分割准确性的因素来自两个方面，一是所使用的分割软件的准确性，二是操作者专业知识掌握的程度、经验和责任心。

图像分割准确性的评价没有一个客观标准。对算法的评价一般做法是将计算机的分割结果与实际结果相比较。对一般的图像实际结果往往是未知的，这时候只好将人工分割的结果作为实际结果来与计算机的分割结果比较，这种做法的问题是不同的操作人员对同一幅图像的分割结果往往是有差异的。一种比较好的做法是获得多个不同人员的手工分割结果，再比较计算机的分割结果是否与这些手工分割结果一致。为促进分割方法的评估和开发，医学图像分割领域已出现了一些标准数据集，如哈佛大学的探究减压法（IBSR）提供了脑部图像数据与专家指导分割的标准分割数据。

现人们仍在继续研究更先进的成像技术和更复杂的图像处理算法。图像分割方法的研究与分析其物理成像原理、图像形成和重构算法的关系更为密切，而且图像分割与其他图像处理分析任务（如图像去噪、增强、匹配、可视化等）在识别对象结果和功能上是相关的，因此将它们结合起来共同研究是未来研究的一种趋势。另一方面，生物医学工程和计算机视觉领域的最新研究成果也将影响和促进分割算法的研究。此外，医学图像的分割算法的验证和评估方法仍需进一步研究。医学图像的分割一直是一个很困难的问题，自动分割方法虽然在一些方面取得了一定的成功，但还远远不能满足医学图像处理实践中对分割结果准确性的要求。所以，医学图像的分割算法的研究道路曲折而充满挑战，而在医学图像分割的实际操作中，采用由用户参与控制、引导的交互式分割方法受到越来越多的关注。