In our experiments, the input to th

In our experiments, the input to the network is fixed to a given size Nx × Ny × Nz, mainly influenced by considerations of available memory size on the GPU. In training, sub-volumes of that given size are randomly sampled from the candidate regions within the training CT images, as described below. To increase the field of view presented to the CNN and reduce informative redundancy among neighboring voxels, each image is downsampled by a factor of 2. The resultingprediction maps are then resampled back to the original resolution using nearest neighbor interpolation (or linear interpolation in case of the probability maps).1st Stage. In the first stage, we apply simple thresholding in combination with morphological operations (hole filling and largest component selection) to get a mask of the patient's body. This mask can be utilized as candidate region C1 to reduce the number of voxels necessary to compute the network's loss function and reduce the amount of input 3D regions shown to the CNN during training to about 40%.2nd Stage. After training the first-stage FCN, it is applied to each image to generate candidate regions C2 for training the second-stage FCN (see Fig. 1). We define the predicted organ labels in the testing phase using the argmax of the class probability maps. All foreground labels are then dilated in 3D using a voxel radius of r in order to compute C2, resulting in a binary candidate map.When comparing the recall and false-positive rates of the first-stage FCN with respect to r for both the training and validation sets, r = 3 gives good trade-off between high recall (> 99%) and low false-positive rates (∼10%) for each organ on our training and validation sets (seeFig. 6).

結果 (繁體中文) 1:

在我們的實驗中，輸入到網絡被固定於給定尺寸為Nx×尹恩惠×NZ，主要由在GPU上可用的存儲器大小的考慮因素的影響。在訓練中，該給定大小的子體積隨機從訓練CT圖像內的候選區域取樣，如下所述。為了增加呈現給CNN的視場，並降低相鄰體素間的冗餘信息，每個圖像是由為2的因子所得到的下採樣
的情況下，然後預測映射重新採樣回使用最近鄰插值的原始分辨率（或線性內插概率地圖）。
第一階段。在第一階段，我們應用與形態學操作（填孔和最大的組件選擇）組合簡單的閾值來獲得患者的身體的面具。該掩模可被用作候選區域C1，以減少所需的計算網絡的損失函數和減少培訓期間顯示給CNN輸入的3D區域的量至約40％的體素的數目。
第二階段。訓練第一級FCN之後，它被應用於每個圖像，以生成候選區域C2用於訓練第二級FCN（參見圖1）。我們定義使用類概率圖的argmax在測試階段預測的器官標籤。所有前景標籤然後在3D用r的體素半徑，以便計算C2，從而產生二進制候選地圖擴張。
當相對於比較第一級FCN的召回和假陽性率至r為訓練和驗證集兩者中，r = 3給出了良好的折衷高召回（> 99％）和低假陽性率（間〜10％），用於對我們的訓練和驗證集的每個器官（參見
圖6）。

結果 (繁體中文) 2:

在我們的實驗中，網路輸入固定為給定大小的 Nx = Ny = Nz，主要受 GPU 上可用記憶體大小的考慮。在培訓中，從訓練 CT 圖像中的候選區域隨機抽取給定大小的子卷，如下所述。為了增加向 CNN 呈現的視野並減少相鄰體素之間的資訊冗余，每個圖像的採樣係數為 2。結果
然後，使用最接近像素插值（或概率圖中的線性插值）將預測貼圖重新採樣回原始解析度。
第一階段。在第一階段，我們結合形態操作（孔填充和最大的成分選擇）應用簡單的閾值，以獲得患者身體的掩膜。此遮罩可用作候選區域 C1，以減少計算網路損耗函數所需的體素數量，並將培訓期間向 CNN 顯示的 3D 區域輸入量減少到約 40%。
第二階段。訓練第一階段 FCN 後，將應用於每個圖像以生成候選區域 C2 以訓練第二階段 FCN（參見圖 1）。我們使用類概率圖的 argmax 在測試階段定義預測的器官標籤。然後，所有前景標籤都使用 r 的體素半徑在 3D 中擴張，以便計算 C2，從而產生二進位候選貼圖。
在比較訓練和驗證集的 r 與第一階段 FCN 的召回率和誤報率時，r = 3 在高召回率 （= 99%） 之間提供了良好的權衡低誤報率（±10%）對於我們的培訓和驗證集上的每個器官（參見
圖6）。

結果 (繁體中文) 3:

在我們的實驗中，網絡的輸入被固定在一個給定的大小Nx×Ny×Nz，主要受GPU上可用記憶體大小的影響。在訓練中，從訓練CT影像的候選區域中隨機抽取給定大小的子體積，如下所述。為了新增向CNN顯示的視野並减少相鄰體素之間的資訊冗餘，每幅影像都被降採樣2倍。結果
然後，使用最近鄰插值（或概率圖情况下的線性插值）將預測圖重採樣回原始分辯率。
第一階段。在第一階段，我們使用簡單的閾值結合形態學操作（空洞填充和最大成分選擇）來獲得患者身體的面具。該掩模可用作候選區域C1，以减少計算網絡損失函數所需的體素數量，並將訓練期間向CNN顯示的輸入3D區域的數量減少到約40%。
第二階段。在訓練第一級FCN之後，將其應用於每個影像以生成用於訓練第二級FCN的候選區域C2（參見圖1）。我們使用類概率圖的argmax定義測試階段的預測器官標籤。然後，使用r的體素半徑在3D中對所有前景標籤進行放大以計算C2，從而生成二值候選映射。
當比較第一階段FCN的召回率和假陽性率與訓練集和驗證集的r時，r=3給出了訓練集和驗證集上每個器官的高召回率（>99%）和低假陽性率（∼10%）之間的良好權衡（見
圖6）。