论文解读（一）V-Net: Fully Convolutional Neural Networks for Volumetric Medical Image Segmentation

发表：Computer Vision and Pattern Recognition
数据集： MRI volumes depicting prostate前列腺核磁共振成像
目标函数：基于Dice系数的目标函数
数据增强：随机非线性转换和直方图匹配来增加数据

摘要： CNN最近被应用于解决计算机视觉和医学图像分析领域的问题。尽管它们很受欢迎，但大多数方法只能处理2D图像，而在临床实践中使用的大多数医疗数据是由3D组成的。
(1) 在这项工作中，我们提出了一种基于三维全卷积神经网络的三维图像分割方法。
(2) 我们的CNN可以进行端到端的前列腺核磁共振成像的训练，并能够预测整个三维图像的分割。
(3) 我们提出了一种新的基于Dice系数的目标函数，并在训练过程中对其进行了优化。这样，我们就可以处理前景和背景体素数量严重不平衡的情况。
(4) 为了处理有限数量的可用于训练的标签图，我们使用随机非线性转换和直方图匹配来增加数据。我们的实验评估表明，我们的方法在具有挑战性的测试数据上取得了良好的性能，而只需要其他以前的方法的一小部分处理时间。

难点：1.目标是分割三维前列腺MRI。这是一个具有挑战性的任务，因为前列腺可以在不同的扫描中呈现广泛的外观，由于变形和强度分布的变化。此外，由于场的不均匀性，磁共振成像经常受到人工制品和畸变的影响。2.二维图像到三维图像的处理。

解决方法：在这项工作中，我们提出了我们的方法，医学图像分割，利用完全卷积神经网络的力量，训练端到端