一，数据：
二，方法：
使用不同patch size大小的原因：大的patch包含空间信息，可以定位到这个像素位于图像中的位置（使用大的kernel）；小的patch提供局部相邻像素的细节信息（使用小的kernel）。
每类训练数量相同，防止数据不平衡。
为了提供更多的数据，网络训练的每个周期的数据是不同的，每个周期重新提取训练数据。（由于每个训练周期之间提取数据，这样回增加寻来你时间，我们在训练之前就提取好所有数据，随机打乱）。
使用ReLu激活函数，在全连接层使用Drop-out。使用RMSprop进行优化。损失函数使用交叉熵。
三，网络：
输入大小是奇数，可以使得要判断的像素位于patch的中央。只有第3次卷积最小的patch没有进行maxpooling。
由于maxpooling不能完整的覆盖奇数大小的图像，所以每次池化之前对maxpooling的输入进行镜像。
每条路径通过各自的第一个全连接层（256）后，连接在一起。最后通过全连接输出最终类别个数。
通过实验，发现每个周期使用50000个训练样本效果比25000个样本效果好。
四，预处理
1.偏移场矫正（bias corrected）[45]。去头颅（BET，46），产生mask。训练和测试时，只使用mask内的数据。在mask内的像素值被映射到0~1023。
五，实验
每个实验结果如下图，
tf代码简单实现
与原论文不同的是，没有使用镜像，使用padding 0。提取训练集是对所有人进行随机采样，所以不会出现类别不平衡问题。训练集不使用没有目标的patch。