未完待续(仅学习先验部分)
考虑在没有成对的训练数据的情况下，将生物医学图像分割为感兴趣的解剖学区域。提出一个生成概率模型利用通过卷积神经网络学习的解剖学先验知识在无监督情况下计算分割。
https://github.com/adalca/neuron
通常的生成模型：
: 3D MR图像
：解剖学分割图
我们用定义在
处的图像强度和标签。
先验捕捉空间分布和解剖学形状的知识，表示这些形状嵌入的隐藏变量空间，假设先验概率分布模型为均值为0的正态分布:
通过
来描绘
其中是像素j标签为l的概率。
给定标签图，通过从正态分布采样得到
Method
想要估计，是很难的.
这里先介绍一个编码概率分布作为的近似，考虑两个分布间的KL散度：
由于两者的KL散度是非负的，第二项可以作为变分下界，对于给定近似分布，我们可以通过优化下界来估计
我们将近似后验分布建模为仅与图像有关的正态分布：
我们用卷积神经网络来估计近似分布的参数，设计一个编码卷积神经网络将作为输入，输出近似后验分布的参数。网络学习如何将整个MR图像嵌入低纬度解剖学嵌入和其方差。
有了，分割的概率分布可以通过解码网络将z作为输入，输出分割类别分布的参数。参数可以通过一个标签集来学习。
生成模型的最后一部分，外观/相似性模型，也可以通过神经网络学习。网络将分割概率分布图作为输入，计算参数，我们分开估计，假设在图像中增加高斯均值噪声。
AE 解剖学先验自动编码器
这部分，我们从一个分割数据集独立学习一个先验知识。
用近似后验分布
优化可以使用SGVB（Stochastic Gradient Variational Bayes）
我们设计一个编码网络将一个分割图作为输入，输出参数，学习编码器的参数。使得不需要成对的训练数据。
实现
每个编码器包括五个下采样层，有一个3x3卷积层和elu激活函数，32features。最后一层是密集层，有1000长度的均值和标准差。
解码器是对称的结构，但是是上采样，由sigmoid激活函数。最后一层实现像素级空间-变化 像素级先验，与dec(z)相乘。
