已读论文记载（三）

Incorporating prior knowledge in medical image segmentation:a survey(Masoud S.Nosrati,2016):研究和比较了医学图像分割方法中在原有框架上吸收先验知识的各种方法。所有的传统方法都假定目标整体有一定的同质性，然而这对于复杂目标是不必要的，如由膜隔开的的多区域细胞群，细胞核和核仁等等。因此我们需要对目标精心设计一些先验信息，以便于在后续算法中吸收这种信息达到更好的效果。

      比较先进的分割算法主要被建模为最优化问题，也就是最小化能量或者最大化后验概率估计值。传统的区域生长法watershed算法中假设整个图片是一个地形学上的救援，盆地的底部有虚拟的洞会涌出洪水淹没地形，为了防止所有的地形都被淹没，需要建立一些大坝来拦住洪水。这些大坝在watershed算法中就是目标边界，也叫作watershed lines，改进的watershed算法曾被用在大脑MRI图像的分割中。区域生长法和阈值法都对噪声比较敏感。

       基于最优化的图像分割主要有两类：能量函数和概率函数的最优化。一个能量函数E，通常包括两部分：正则化项Ri和数据项Di。正则项对应了可行解空间的先验和根据先验信息对偏差进行惩罚，数据项评测了一个像素属于某类标签的可能性。最小化能量函数E就是最小化正则项部分。概率模型和能量模型可以通过吉布斯分布或玻尔兹曼分布公式相互转化。为了不导致术语上混淆，一个先验知识可以是一个或多个正则项和数据项，它和先验概率是不同的。

       一个分割问题可以被建模在连续域上，也可以在离散域上。在空间离散的基础上，能量函数也可被看成一系列有限变量（点和边）的集合，可以和图论联系起来，其中最常见的一个图论模型就是马尔科夫随机场了。在连续空间中，能量函数是连续的并带有最优化条件，可以写成一系列的偏微分方程。

       Hessian矩阵的特征值经常被用来评测像素是否属于血管。统计学上的重叠信息也是一种很强的appearance先验信息，比如使用Bhattacharyya系数来衡量两种目标的分部之间重叠部分，这种先验信息曾被用于MR图像中左心室的分割。无论是什么样的 appearance先验信息，这些信息都经常被增加到数据项里。

       正则项和可行解空间的先验相一致。使用l1正则项的各向异性的正则项版本相比于使用l2正则项的各项同性的版本，其不具备旋转不变性，因此更倾向于对齐的网格系统。

A novel companion objective function for regularization of deep convolutional neural networks(Weichen Sun,2016):本文介绍了至今的一些正则化方法及其特点，并且提出了一种独特的可以和其他正则化方法共同使用的新的正则化方法。本文所提出的正则化方法的要点是同时训练几个深度逐渐增加并且共享权重的神经网络，更深层的申请网络在浅层的基础上构建，和dropout相似，但是本文提出的方法dropout了训练产生的等深度的子网络。本文最后改进了原有的objective function，在其中分别加入了对原有卷积层参数的正则约束和对取代激活函数的MMN(multi-layer Maxout Network)参数的正则约束。

Shortest Paths with Curvature and Torsion(PetterStrandmark,2011):本文主要将曲线的curvature和torsion作为正则化项，在医学图像的应用中得到更长更薄目标。torsion度量了曲线偏离osculating plane的程度，而在很多应用中，重建的曲线都很贴近某个潜在的曲面，因此将torsion作为惩罚项加入目标方程是有利的。