一，資料：

二，方法：

使用不同patch size大小的原因：大的patch包含空間資訊，可以定位到這個畫素位於影象中的位置（使用大的kernel）；小的patch提供區域性相鄰畫素的細節資訊（使用小的kernel）。
每類訓練數量相同，防止資料不平衡。
為了提供更多的資料，網路訓練的每個週期的資料是不同的，每個週期重新提取訓練資料。（由於每個訓練週期之間提取資料，這樣回增加尋來你時間，我們在訓練之前就提取好所有資料，隨機打亂）。
使用ReLu啟用函式，在全連線層使用Drop-out。使用RMSprop進行優化。損失函式使用交叉熵。

三，網路：

輸入大小是奇數，可以使得要判斷的畫素位於patch的中央。只有第3次卷積最小的patch沒有進行maxpooling。
由於maxpooling不能完整的覆蓋奇數大小的影象，所以每次池化之前對maxpooling的輸入進行映象。
每條路徑通過各自的第一個全連線層（256）後，連線在一起。最後通過全連線輸出最終類別個數。
通過實驗，發現每個週期使用50000個訓練樣本效果比25000個樣本效果好。

四，預處理

1.偏移場矯正（bias corrected）[45]。去頭顱（BET，46），產生mask。訓練和測試時，只使用mask內的資料。在mask內的畫素值被對映到0~1023。

五，實驗

每個實驗結果如下圖，

tf程式碼簡單實現
與原論文不同的是，沒有使用映象，使用padding 0。提取訓練集是對所有人進行隨機取樣，所以不會出現類別不平衡問題。訓練集不使用沒有目標的patch。