傳統分割：
（1）Atlas based methods,
（2）Statistical shape/appearance based methods
（3）Classification based methods
論文方法：
1.調整窗寬窗位爲[-200，200]。（肉眼可以觀察軟組織器官）
2.採用MABS method方法粗定位ROIs。使用歸一化互信息指導配準。配準包含基於非線性變形的仿射變換和B樣條。MABS方法使用開源工具。
3.只在這些位置分割。
分割原理：每次分割一個像素（對每個像素進行2分類，被分割像素爲patch的中間像素）。通過提取同一個像素點的不同大小的patch和初步分割結果（來自配準）作爲網絡輸入，將不同patch的卷積層的輸出拼接起來，最後通過全連接層進行2分類。不過輸入大小相同，只不過是分辨率不同。
然後分析了一下不同尺度對網絡的作用。大尺度提供context information來定位相對於附近結構的像素。小patch提供detailed appearance information來定位該像素的類別，判斷這個像素是否是該ROI的edge。
輸入：文中的Z軸分辨率爲3，每個patch取3層。
4.特別的，分割出視交叉，則可以更好的分割視神經，所將視交叉和視神經聯合分割。
聯合分割方法：首先分別單獨訓練針對視神經和視交叉的CNN網絡，然後將這兩個網絡聯合起來進行循環迭代分割。如下圖。將上一次的另一個器官分割的結果和上一次該器官的分割結果，加上該patches，輸入這個器官的分割網絡。
單通道CNN結構：
5.評價標準：
dice係數和undirected 95% Hausdorff Distance (95HD)。
95HD：首先定義directed Hausdorff distance：
d(x,y)爲x和y的歐幾里得距離。
undirected Hausdorff distance爲：
百分比HD（The directed percent Hausdorff measure）：從x到y。從x到y所有最短距離中，按照從大到小排列，選取等於或最近的大於第給定百分比的距離作爲有向HD。也就是說，之前選取最短中的最長的距離，現在選取最短中的第百分比個距離，爲
The (undirected) percent Hausdorff measure爲:
6.使用對數損失函數，通過Adam優化，使用高斯分佈初始化權重（0， 0.0001）。學習率0.001。沒有固定的epochs，當5個週期內驗證集精確度不提升，結束訓練。