医学图像是反映人体内部结构的图像，是现代医疗诊断的主要依据之一。目前，医学图像处理任务主要集中在图像检测、图像分割、图像配准及图像融合四个方面。

医学图像数据具有可获得、质量高、体量大、标准统一等特点，使人工智能在其中的应用较为成熟。利用图像处理技术对图像进行分析和处理，实现对人体器官、软组织和病变体的位置检测、分割提取、三维重建和三维显示，可以对感兴趣区域（Region of Interest, ROI)进行定性甚至定量的分析，从而大大提高临床诊断的效率、准确性和可靠性，在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。

图像检测是计算机辅助检测的基础，并且非常适合引入深度学习。医学图像检测的传统方法是通过监督方法或传统数字图像处理技术检测候选病变位置。基于深度学习的方式是基于影像学数据或理论指导，训练网络，发现病变，提高诊断准确率。

目前医学图像分割处理的对象主要是各种细胞、组织、器官的图像，医学图像分割的过程是：根据区域间的相似或不同，把图像分割成若干区域。

传统的图像分割技术有基于区域的分割方法和基于边界的分割方法，前者依赖于图像的空间局部特征，如灰度、纹理及其它像素统计特性的均匀性等，后者主要是利用梯度信息确定目标的边界。

结合特定的理论工具，图像分割技术有了更进一步的发展。比如基于三维可视化系统结合FastMarching算法和Watershed 变换的医学图像分割方法，能得到快速、准确的分割结果[1]。

随着其它新兴学科的发展，产生了一些全新的图像分割技术。如基于统计学的方法、基于模糊理论的方法、基于神经网络的方法、基于小波分析的方法、组合优化模型等方法。

虽然不断有新的分割方法被提出，但结果都不是很完美。目前医学图像分割方法的研究具有如下显著特点：现有任何一种单独的图像分割算法都难以对一般图像取得比较满意的结果，要更加注重多种分割算法的有效结合。在目前无法完全由计算机来完成图像分割任务的情况下，人机交互式分割方法逐渐成为研究重点，除此之外，分割方法的研究重点主要是：自动、精确、快速、自适应、鲁棒性、多模态融合等方向。

图像配准是图像融合的前提，是公认难度较大的图像处理技术，也是决定医学图像融合技术发展的关键技术。

在临床诊断中，单一模态的单张图像往往不能提供医生所需要的足够信息，因此，医生经常需要将多种模式或同一模式的多次成像配准融合，从而实现感兴趣区域的信息互补。根据患者多方面的综合信息，医生才能做出更加准确的诊断或制定出更加合适患者的治疗方法[2]。

图像配准就是要对几幅图像作定量分析，首先需要解决图像之间的严格对齐问题。医学图像配准包括图像的定位和转换，即通过寻找一种空间变换使两幅图像对应点达到空间位置和解剖结构上的完全一致。配准的结果应该至少使有诊断意义的点，及手术感兴趣的点达到匹配。

图像融合的主要目的是通过对多幅图像间的冗余数据的处理来提高图像的可读性，对多幅图像间的互补信息的处理来提高图像的清晰度。多模态医学图像的融合把有价值的生理功能信息与精确的解剖结构结合在一起，可以为临床提供更加全面和准确的资料[3]。