通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好，平均 DSC 为 85.54％，HD95 为 27.88。

May, 2024

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023

基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

Feb, 2024

本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

Nov, 2020

该研究介绍了我们在 BraTS 2023 挑战的两个任务中，成人胶质瘤和儿科肿瘤的肿瘤分割方法，采用了 SegResNet 和 MedNeXt 等两个 CNN 模型，并引入了一套强大的后处理方法来提高分割性能。我们的方法在 BraTS 2023 成人胶质瘤分割挑战中取得了第三名，测试集上平均 Dice 和 HD95 分数分别为 0.8313 和 36.38。

Mar, 2024

本文研究了使用卷积神经网络结合注意力机制进行脑肿瘤分割和预测患者生存率的方法，其中应用了一些基于图像、形状和位置信息的新型 Radiomic 特征，并发现像组织学特征直方图、病灶位置、形状以及年龄等临床特征是预测生存率的最为关键的因素。

Apr, 2021

通过使用最大的已知多机构放射治疗计划脑 MRI 数据集，对具有完整或术后脑膜瘤的患者进行放射治疗，本研究旨在推进自动化分割算法。该数据集包含脱敏的三维增强 T1 加权放射治疗计划 MRI 及其相应的标注目标体积，能够准确分割肿瘤并提供个体化治疗，预计将显著改善患者预后。

May, 2024

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023

本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法，该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试，并表现出良好的分割性能。

May, 2017

针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

Nov, 2023