传统分割：
（1）Atlas based methods,
（2）Statistical shape/appearance based methods
（3）Classification based methods
论文方法：
1.调整窗宽窗位为[-200，200]。（肉眼可以观察软组织器官）
2.采用MABS method方法粗定位ROIs。使用归一化互信息指导配准。配准包含基于非线性变形的仿射变换和B样条。MABS方法使用开源工具。
3.只在这些位置分割。
分割原理：每次分割一个像素（对每个像素进行2分类，被分割像素为patch的中间像素）。通过提取同一个像素点的不同大小的patch和初步分割结果（来自配准）作为网络输入，将不同patch的卷积层的输出拼接起来，最后通过全连接层进行2分类。不过输入大小相同，只不过是分辨率不同。
然后分析了一下不同尺度对网络的作用。大尺度提供context information来定位相对于附近结构的像素。小patch提供detailed appearance information来定位该像素的类别，判断这个像素是否是该ROI的edge。
输入：文中的Z轴分辨率为3，每个patch取3层。
4.特别的，分割出视交叉，则可以更好的分割视神经，所将视交叉和视神经联合分割。
联合分割方法：首先分别单独训练针对视神经和视交叉的CNN网络，然后将这两个网络联合起来进行循环迭代分割。如下图。将上一次的另一个器官分割的结果和上一次该器官的分割结果，加上该patches，输入这个器官的分割网络。
单通道CNN结构：
5.评价标准：
dice系数和undirected 95% Hausdorff Distance (95HD)。
95HD：首先定义directed Hausdorff distance：
d(x,y)为x和y的欧几里得距离。
undirected Hausdorff distance为：
百分比HD（The directed percent Hausdorff measure）：从x到y。从x到y所有最短距离中，按照从大到小排列，选取等于或最近的大于第给定百分比的距离作为有向HD。也就是说，之前选取最短中的最长的距离，现在选取最短中的第百分比个距离，为
The (undirected) percent Hausdorff measure为:
6.使用对数损失函数，通过Adam优化，使用高斯分布初始化权重（0， 0.0001）。学习率0.001。没有固定的epochs，当5个周期内验证集精确度不提升，结束训练。