1，下载 CMake，选择最新版本。      地址 http://www.cmake.org/cmake/resources/software.html

对于医学图像而言，得到大规模的训练数据是比较不容易的，那么可否使用Transfer Learning利用现成的ImageNet的图像来帮助医学图像的识别呢？ImageNet里面的图像（二维，彩色）没有医学图像，包含一些诸如鸟类、猫、狗、直升机等物体的识别，与医学图像（二维或三维，非彩色）相差很大。如果回答是肯定的话，是一件令人非常振奋的事情。

一，前言卷积神经网络（Constitutional Neural Networks, CNN）是在多层神经网络的基础上发展起来的针对图像分类和识别而特别设计的一种深度学习方法。先回顾一下多层神经网络: 多层神经网络包括一个输入层和一个输出层，中间有多个隐藏层。每一层有若干个神经元，相邻的两层之间的后一层的每一个神经元都分别与前一层的每一个神经元连接。在一般的识别问题中，输入层代表特征向量，输入

先概括一下深度学习的几大流行的框架：Pylearn2, Theano, Caffe, Torch, Cuda-covnet，Deeplarning4j等。Theano是一个Python库，也是一个强大的数学表达式编译器。Pylearn2是在Theano基础上建立的机器学习库。用户可以用数学表达式写Pylearn2的插件(新的model, algorithm等), Theano将这些表达式进行优化和稳定化，然后进行编译。

与传统用CNN进行图像分割的方法相比，FCN有两大明显的优点：一是可以接受任意大小的输入图像，而不用要求所有的训练图像和测试图像具有同样的尺寸。二是更加高效，因为避免了由于使用像素块而带来的重复存储和计算卷积的问题。

CRF（Conditional Random Field）是图像分割中很常用的后处理算法。在《全卷积网络（FCN）与图像分割 》这篇博文中提到，FCN可以得到较好的分割结果，Chen, Liang-Chieh, et al. 2014在其基础上使用fully connected CRF得到了更好的效果，但是FCN的步骤和CRF的步骤是分开的。Zheng et al 2015将fully connec

神经网络和卷积神经网络的基础知识1, Michael Nielsen写的在线教程 http://neuralnetworksanddeeplearning.com/介绍了神经网络的基本结构，有例子展示为何神经网络可以学习任何函数，为什么传统的深度学习很慢等。还提供了基于Theano的用于MNIST手写数字的识别的例子代码。2, 斯坦福大学的深度学习课程 http://cs231n.github.i

最近基于深度学习的图像分割技术一般依赖于卷积神经网络CNN的训练，训练过程中需要非常大量的标记图像，即一般要求训练图像中都要有精确的分割结果。对于图像分割而言，要得到大量的完整标记过的图像非常困难, 因此使用弱监督学习可以克服这个问题。

近些年来，深度卷积神经网络（DCNN）在图像分类和识别上取得了很显著的提高。回顾从2014到2016这两年多的时间，先后涌现出了R-CNN，Fast R-CNN, Faster R-CNN, ION, HyperNet, SDP-CRC, YOLO,G-CNN, SSD等越来越快速的监测方法。

以前习惯了在windows下写代码时直接用MSVC新建项目，后来要在Linux下开发，以前写的代码不能直接使用，还要仔细地写makefile，实在是费事费力；再后来又在Mac中使用Xcode，除了对自己编写的代码本身的可移植性有很高的要求外，还会遇到使用QT、VTK、ITK、OpenCV等其他开源库的情况，这时安装好这些库后要在自己的项目文件中使用，包含文件、依赖库的配置也比较费事。

计算机环境： win7 64bit， Python 2.7 64位， VTK5.8.0，VS2010

1，itk 图像转换为vtk图像：使用ImageToVTKImageFilter，例如：2，

配置： VS2008（32-bit）           Python2.7.8（32-bit）    Cmake 3.0ITK4.5.2

SIFT ：scale invariant feature transformHOG：histogram of oriented gradients这两种方法都是基于图像中梯度的方向直方图的特征提取方法。1. SIFT 特征     实现方法：    SIFT 特征通常与使用SIFT检测器得到的感兴趣点一起使用。这些感兴趣点与一个特定的方向和尺度（scale）相关联。通

在图像分割中，图割是近年来十分流行的交互式分割方法。与比它早一些出现的水平集、活动轮廓等分割方法相似，都是基于能量最小化的最优求解从而得到分割结果，不同的是其结果能得到全局最优解。在离散域中，图像的分割可以通过使以下能量函数最小化得到：其中

通用:VTK        VTK （the visualization toolkit）是一款免费开源的用于三维计算机图形学、图像处理以及可视化的软件包。包含了C++类库并且提供对Tcl/Tk, Java 和Python等解释性语言的支持.ITK        ITK是一个开源、跨平台的，提供了大量的图像处理功能的软件工具。可用于多维图像的分割与配准。FSL

一，MITK简介MITK (Medical Imaging Interaction Toolkit)是一个开源软件平台，可用来做交互式的医学图像处理软件。该软件结合了ITK（nsight Toolkit）和VTK(Visualization Toolkit)的特性。ITK提供了强大的图像处理（分割、配准等）功能，而VTK主要实现对数据的可视化。VTK虽然提供可视化，但是对用户交互的支持比较弱，

随着计算机计算能力的增强和大批量医学图像的涌现，机器学习技术在医学图像处理领域的应用已获得越来越多的关注。其思想是通过计算机对大批量训练数据的统计学习，来预测新的待处理图像的相关信息。关于统计学习，推荐一本Hastie的2009年的一本书: The Elements of Statistical Learning: Data Mining, Inference and Prediction (pd

图像的可形变配准分为参数法和非参数法，参数法例如仿射变换、B-spline based FFD等方法通过对形变的参数化表示，减小求解的变量个数，但是也限制了形变复杂程度。非参数化的方法将图像的形变表示成位移场，每一个像素都有一个位移，可以表示更加复杂的形变，但是要求解的变量也更多。Demons就是一种著名的非参数化可形变配准方法，它最早来自于光流算法。