论文【AAR - RT – A system for auto-contouring organs at risk on CT images for radiation therapy planning: Principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases】
主要方法：Automatic Anatomy Recognition - Radiation therapy（AAR - RT）
方法内容
作者主要通过建立并不断修正模糊模型的方法进行图像分割，其中还用到了有向概率图(Directed Probability Graph)、KNN等方法。文章末尾作者表示正考虑接下来如何结合深度学习提升Object-delineation这一步的性能。
AAR - RT主要分三个部分，即建立模型(Model-building)、物体定位(Object-recognition)、物体勾画(Object-delineation)。
1）、建立模型
建立一个模糊解剖模型 FAM(B, G) = (H, M, ρ \rho ρ, λ \lambda λ, η \eta η)，其中B是身体区域；G是人群类型；
H是一个身体区域B内所有OAR物体的树状层级结构，每个子物体都是父物体的一部分。在建模中给每个区域都建立一个层级结构，先分割父物体再分割子物体有助于提高物体的分割精度。这里建立H的过程取代了老版本AAR模型的人工操作，设计了一个算法完成，能够使后面物体定位时误差最小。如下图：
M是模糊模型的集合，算法给每个身体区域B中的每一个物体O都分别建立一个模糊模型FM(O)，这些模型通过B的层级结构联系在一起。FM(O)是物体O的一个模糊集合，它利用物体O的不同样本建立的一个隶属函数，这个隶属函数定义了O的模型中不同体素隶属于O的程度。
ρ \rho ρ是H中的父-子物体的空间关系。每个物体都有一个单独的参数，其中包含了此物体与其父物体间的平均位置以及方向的关系。为了保证计算不受样本尺度影响，父物体和其所有子物体都进行了尺度调整。的计算也比老版本AAR模型更进一步，通过建立有向概率图模型(Directed Probability Graph)使包含了更多方向关系。
λ \lambda λ是每个物体大小变化的尺度参数，它表示该物体在所有样本中的一个尺度变化范围，在第二步定位中确定搜索空间时会用到。
η \eta η是身体区域B内物体的一系列测量值，它描述了物体之间的关系，也可以为层级结构优化提供相应信息，其中很多参数与分割密切相关。
模型FAM(B, G) = (H, M, ρ \rho ρ, λ \lambda λ, η \eta η)会被用到人群类型G的病人身体区域B的扫描图像的物体定位(Object-recognition)中。
2）、物体定位
这个过程主要分两个步骤：
1.利用层次结构H对所有物体进行初步定位。
先定位层次结构的根物体，再依次向下定位。定位过程是通过前面建立的模糊模型以及将输入图像阈值分割的后的图像直接得到的结果。并且通过最优阈值搜索(optimal thresholded - search)策略进一步优化了全面得到的结果，最优阈值在建模时已经学习并存储于 η \eta η。
这一步的结果会返回每一个OAR物体的一个初步定位。
2.利用建模时建立的有向概率图对定位结果进行进一步细化。
3）、物体勾画
物体勾画也是利用层次结构从根物体到其子物体一层一层向下勾画。勾画过程也分为两个步骤：
**1.利用KNN分类器对物体定位中输出的已经初步定位的模糊模型中的体素进行分类。**也利用了迭代相对模糊连接(Iterative Relative Fuzzy Connectedness, IRFC)方法，这是一个基于图的方法。
2.利用上步分类产生的体素簇和模糊模型进行最终的勾画。
方法效果
采用i7-6670和16GB RAM，大概5~6min可以分割完一个患者所有OAR，平均每个OAR花30s左右。事前的模型建立每个身体区域大约要花费6小时，大部分时间花在建立最优的层次结构。
在戴斯系数（Dice Coefficient, DC）和豪斯多夫距离（Hausdorff Distance, HD）这两种分割精度度量上的结果如下：
本文使用的AAR-RT方法比老版本AAR有着较大的提升。相对于领域内其他方法作者也给出比较表格，总体上结果是较好的。
本文的方法相对而言recognition部分比delineation做的好，在文章末尾作者提到正在考虑如何结合深度学习的方法提升delineation效果。