2. The architecture of 3D U-Net (Çi

2. The architecture of 3D U-Net (Çiçek et al., 2016), a type of fully convolutional network. It applies an end-to-end architecture using only valid convolutions (Conv) with no paddingand kernel sizes of 3 × 3 × 3. Rectified Linear units (ReLU) are used as activation functions. This results in a smaller output size than input size and requires cropping of when mappinglower level feature maps of the analysis path to the synthesis path of the network via concatenation (Concat). Max-pooling (Max pool) is used to reduce the resolution of feature maps,while up-convolutions (Up-conv) are used for up-sampling the feature maps back to higher resolutions. The number of extracted feature maps is noted above each layer. We show the inputand output size of feature maps at each level of the network. These parameters are kept constant for all experiments performed in this study. Batch normalization (BatchNorm) is usedthroughout the network for improved convergence (Ioffe and Szegedy, 2015).

結果 (繁體中文) 1:

2.三維U形網的結構（的Çiçek等人，2016），一種類型的全卷積網絡。它適用僅使用有效卷積（CONV）具有沒有填充的端至端架構
的3×3×3的線性整流單元（RELU）和內核尺寸被用作活化的功能。這導致更小的輸出大小比輸入的尺寸和需要映射時的裁剪
較低級特徵映射經由級聯（的毗連）分析路徑網絡的合成路徑的。馬克斯-池（最大池）用於減少特徵地圖的分辨率，
而上卷積（最多-CONV）用於上採樣功能映射回更高的分辨率。提取的特徵映射數每一層上面指出。我們顯示輸入
和特徵的輸出大小映射在網絡的每個級別。這些參數保持不變在本研究中進行的所有試驗。批標準化（BatchNorm）用於
在整個網絡中，以提高收斂（約費和Szegedy，2015）。

結果 (繁體中文) 2:

2. 3D U-Net（[i_ek等人，2016年）》的架構，一種完全卷積網路。它僅使用有效的卷積 （Conv） 應用端到端體系結構，沒有填充
和內核大小 3 × 3 × 3。校正線性單位 （ReLU） 用作啟動函數。這將導致輸出大小小於輸入大小，並且需要在映射時裁剪
通過串聯（Concat）到網路合成路徑的分析路徑的較低級別要素映射。最大池（最大池）用於降低要素地圖的解析度，
而向上卷積（上卷）用於對要素映射回更高解析度進行向上採樣。每個圖層上方都顯示提取要素地圖的數量。我們顯示輸入
以及網路每個級別的要素地圖的輸出大小。對於本研究中執行的所有實驗，這些參數保持不變。使用批次處理正常化（批次處理規範）
整個網路，以提高收斂性（Ioffe 和 Szegedy，2015 年）。

結果 (繁體中文) 3:

頁：13D U-Net（C切切克等人，2016年），一種完全卷積網絡的結構。It applies an end-to-end science using only valid convolutions（）with no padding
和3×3×3×3的角膜大小。整流線性單元（“RELU”）被用作啟動函數。這一結果在一個小型輸出大於輸入大小，並在映射時要求捕獲。
分析路徑的低水準特徵圖，通過結構化合成網絡路徑。最大容積（最大容積）用於减少特徵圖的分辯率。
While up-convolutions（“up-convolution”）are used for up-sampling the feature maps back to higher resolutions.選取特徵圖的數目在每層上都記下。我們顯示輸入
並在網絡的每一級輸出特徵圖大小。這些參數為本研究中進行的所有實驗保持恒定。批量標準化
Throughout the Network for Ioffe and Szegedy，2015.