基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

使用卷积神经网络的多尺度信息，对单个解剖学 MR 图像进行自动分割，取得了在不同年龄和采集协议下的高度准确的分割结果。

Apr, 2017

本文探讨基于卷积神经网络（CNN）的分割解决方案，以提供多模式磁共振成像的快速，可靠的病变和灰质结构分割，重点研究了基于 2016 MSSEG 训练数据集上的两个完全卷积 CNN 架构的性能，并比较了其他方法的性能表现。

Jan, 2019

本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

Apr, 2019

DeepNAT 是一种使用卷积神经网络进行脑结构自动分割的方法，其中包括使用多任务学习，Laplace-Beltrami 算子和条件随机场来解决一系列挑战。

Feb, 2017

通过开发深度学习模型，实现 MRI 图像上多解剖结构和众多类别的分割。

Feb, 2024

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

本研究提出了一种新的多任务学习框架，利用大量自动生成的部分注释和少量手工创建的完整注释进行网络训练，解决了使用深度神经网络进行 3D 脑图像分割的挑战，同时提高了全脑分割的性能。

Aug, 2019

本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的 MRI 图像：脑膜瘤、胶质瘤和垂体瘤，并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含 233 名患者 3064 张切片的公开可用的 MRI 图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中，我们的方法以 0.973 的肿瘤分类准确度明显高于使用相同数据库的其他方法。

Feb, 2024

本文提出了一种名为 SLANT 的方法，结合传统医学图像处理和深度学习， 提供了一种分布式多个独立 3D 全卷积网络进行高分辨率全脑分割的方法， 并将其应用于大量未标记扫描的辅助标签， 与传统多图谱分割方法相比，该方法的性能更优，并将计算时间从 > 30 小时缩短至 15 分钟。

Mar, 2019