پردازش و آنالیز تصاویر را می‌توان به عنوان یك ساختار كاربردی و تكنیكی جهت بررسی, تحلیل و استخراج اطلاعات از تصاویر تعریف کرد. قطعه بندی تصاویر یکی از مهمترین و کاربردی ترین مراحل پردازش تصویر می باشد که در کاربردهای بسیاری از قبیل مسایل بینایی ماشین1, استخراج ویژگی2, ردیابی اجسام3, بازسازی سطوح4, تشخیص به کمک کامپیوتر5, پردازش تصاویر پزشکی6 و کاربردهای بسیار دیگر مورد استفاده قرار می گیرد. در این میان, پردازش تصاویر پزشکی با توجه به اینکه یکی از مهمترین ابزار تشخیص, بررسی و درمان بیماری ها برای پزشکان به حساب می آید و کاربرد گسترده ای در زمینه ایجاد تصاویر دو بعدی, سه بعدی و 4 بعدی از بدن و مطالعات

 آناتومیک و فیزیولوژیک دارند و عمدتا تصویر برداری به صورت غیر تهاجمی7 و بدون ایجاد مشکل برای بیمار انجام می پذیرد, از اهمیت فوق العاده ای برخوردار می باشد.

معمول ترین و مهمترین روش هایی که امروزه برای تصویربرداری پزشکی غیر تهاجمی مورد استفاده قرار میگیرد شامل روش های زیر می باشند:
 
1 Machine Vision
 
-تصویر برداری با امواج فراصوت1
-تصویر برداری انتشار پوزیترون2
-تصویر برداری رایانه ای تک فوتونی3
-تصویر برداری تشدید مغناطیسی4
-تصویر برداری با اشعه ایکس5
-پرتونگاری کامپیوتری6
یکی از مهمترین گام ها در تحلیل و پردازش تصویر پزشکی قطعه بندی این تصاویر, به معنای مشخص کردن مرز یک یا چند ساختارو یا اعضای آناتومیک بدن, می باشد چرا که این کار باعث ساده سازی در پردازش و استخراج اطلاعات تصویر شده و هم چنین موجب معنی دار شدن بسیاری از قسمت های تصویر می شود. در تصاویر واقعی پزشکی به دلیل عوامل ساختاری مختلفی از قبیل پیچیدگی ساختاری آناتومیک بدن, مجاورت و روی هم افتادگی بعضی از اندام ها و همچنین عوامل خارجی از قبیل وجود نویز, کم بودن وضوح تصاویر, مات شدن تصویر به دلیل حرکت بیمار و یا اعوجاج های ناشی از وسیله تصویر برداری, تصاویر گرفته شده دارای پیچیدگی بسیاری برای قطعه بندی می باشند. از این رو ممکن است بسیاری از الگوریتم ها در تشخیص دقیق و کامل مرز ها و سطوح در تصاویر پزشکی دچار مشکل شوند و این مسئله به یکی از چالش های اساسی در قطعه بندی تصاویر پزشکی تبدیل شده است.
در این میان, با توجه به اینکه تصاویر سه بعدی حاوی اطلاعات ارزشمندی از ساختارهای آناتومیک و بافت های بدن از قبیل حجم, شکل, اندازه, محل,وجود ناهنجاری و تغییر شکل اعضا بدست می دهند, قطعه بندی تصاویر سه بعدی کاربرد روز افزونی در تحلیل تصاویر پزشکی دارا می باشد. به همین جهت ارائه روش ها و مدل هایی جهت افزایش دقت و صحت نتایج قطعه بندی سه بعدی بسیار حائز اهمیت می باشد.
 
 
با توجه به کاربرد روز افزون تصاویر سه بعدی به ویژه در علم پزشکی به ویژه به دلیل دارا بودن اطلاعات بیشتر نسبت به تصاویر دو بعدی و امکان پردازش و تحلیل ساده تر برای کاربر, نیاز به ارائه روش های دقیق تر در این زمینه غیر قابل انکار می باشد. از طرفی قطعه بندی تصاویر سه بعدی یکی از گام های اساسی در زمینه پردازش این گونه تصاویر می باشد. تا کنون روش های متعدد و گوناگونی در قالب سه دسته روش های ساختاری1, روش های آماری2 و روش های ترکیبی3 جهت قطعه بندی اینگونه تصاویر ارائه گردیده است.در روش های ساختاری, مبنای الگوریتم بر اساس اطلاعات ساختاری تصویر می باشد.در حالیکه در روش های آماری اساس کار تحلیل آماری و ریاضی داده ها می باشد. هم چنین روشهای ترکیبی سعی در استفاده از خواص دو روش قبلی دارند.
اگرچه گام های مهمی در طرح کلی قطعه بندی تصاویر سه بعدی برداشته شده است, همچنان چالشهای دشوار بسیاری برای این مسئله خصوصا برای تصاویر پزشکی وجود دارد.به عنوان مثال, در اغلب موارد, تصویر حاصل دارای نویز و همراه با کنتراست کم می باشد. از طرفی اثر حرکت بیمار و حجم نسبی در فرآیند تصویر برداری می تواند با تار کردن لبه های بافت به راحتی باعث تخریب کیفیت تصویر می شود. از این رو در این پایان نامه هدف دستیابی به روشی برای قطعه بندی تصاویر سه بعدی با دقت بالا و حساسیت کم نسبت به عوامل مخرب تصویر می باشد. بدین منظور پس از بررسی روش های موجود در قطعه بندی تصاویر سه بعدی و تحلیل یکی از جدیدترین و دقیق ترین الگوریتم ها, الگوریتم بهبود یافته سطوح فعال برای قطعه بندی تصاویر سه بعدی ارائه می شود.