深度学习已成功地用于医学图像分割。它使用卷积神经网络（CNN）从定义的逐像素目标函数中学习独特的图像特征。但是，这种方法可能导致较少的输出像素相互依赖性，从而产生不完整和不切实际的分割结果。在本文中，我们通过将分割问题表述为使用两个系统的递归框架，提出了一种用于健壮医学图像分割的全自动深度学习方法。第一个是编码器/解码器CNN的前向系统，可从输入图像预测分割结果。然后，基于完全卷积网络（FCN）的上下文反馈系统对前向系统的预测概率输出进行编码。然后，将FCN的编码特征空间重新集成到前向系统的前馈学习过程中。使用基于FCN的上下文反馈回路，可使前向系统学习和提取更多高级图像特征并修复先前的错误，从而随着时间的推移提高预测准确性。在四个不同的临床数据集上进行的实验结果证明，我们的方法在性能上优于现有方法，在单结构和多结构医学图像分割中具有潜在的应用价值。借助反馈回路，深度学习方法现在可以产生在解剖学上合理且对低对比度图像具有鲁棒性的结果。所以，



"点击查看英文标题和摘要"