翻译文章：A Fixed-Point Model for Pancreas Segmentation in Abdominal CT Scans
Fixed-Point Optimization
利用预测的分割结果来收缩输入区域。引入了一个转换函数
，根据给定的分割结果产生输入区域。重新定义模型为：
，损失函数是：
，因为分割结果在输入与输出中都出现。因此是一个不动点模型。
应用该文章中提出的方法优化模型，为Z找到一个稳定的解。
在训练阶段，金标准Y作为输入的分割结果
，训练两组模型（每组包括不同视图的3个模型），来处理不同的输入大小。coarse-scaled models在pancreas至少占据100个像素的切片上训练，来阻止模型被背景严重影响。fine-scaled models，根据最小的2Dpancreas包围盒来裁剪每张切片，在他的周围添加边框，用原始图像数据来填充它。框架的上下左右边缘是采样于
的随机整数。这个策略，作为数据增强，帮助regularize网络并且防止过拟合。
我们用在pascal voc segmentation task上预训练的FCN-8s模型来初始化所有网络，coarse-coarse-scaled model通过80000次学习率为10^-5的迭代来fine-tuned，fine-scaled model经理了学习率为10^-4的6000次迭代。每个mini-batch包含一个训练样本。
在测试阶段，我们使用一个迭代式的过程来为
寻找一个稳定解。开始的时候，用整个volume来初始化，然后计算coarse segmentation 
通过使用coarse-scaled models。在接下来的T步接待中的每一步，我们切割预测结果
，在每张切片中寻找最小的能覆盖所有预测的前景像素的2D包围盒，在它周围添加30像素宽度的边框（(this is the mean value of the random distribution used in training），使用fine-scaled models来计算
。迭代终止当给定的迭代次数T达到的时候，或者连续的分割结果
的相似性大于给定的阈值R。相似性被定义为迭代间DSC
，测试阶段如下图所示：
算法描述如下：