本研究评估了近年来机器学习方法在脑瘤mpMRI扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

Nov, 2018

本文探索了优化深度神经网络用于多类脑肿瘤分割的方法。作者在保持3D U-Net架构不变的前提下，对样本级别的损失函数，群体级别的损失函数和优化器进行了实验，分别采用了广义Wasserstein Dice损失，分布鲁棒优化和Ranger优化器。实验结果表明这些变化均提升了Dice分数和Hausdorff距离的表现。

Nov, 2020

CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 2023 challenge is the first BraTS challenge focused on pediatric brain tumors with data acquired across multiple international consortia dedicated to pediatric neuro-oncology and clinical trials, aiming to develop volumentric segmentation algorithms for high-grade pediatric glioma utilizing standardized quantitative performance evaluation metrics and multi-parametric structural MRI (mpMRI) training data.

May, 2023

利用生成对抗网络、注册方法和深度学习模型在BraTS2023挑战赛的脑瘤分割任务中，通过非传统机制进行数据增广，实现大量可用样本进行训练，使用卷积算法和变换器填补彼此的知识差距，最佳解决方案在验证集上达到了0.9005、0.8673、0.8509的Dice结果和14.940、14.467、17.699的HD95结果（整个肿瘤、肿瘤核心和增强肿瘤）。

Feb, 2024

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

基于多尺度关注引导U-Net模型以及Swin Transformer的三维脑肿瘤分割方法的性能评估。

Mar, 2024

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

成年人脑胶质瘤是最常见的恶性原发性脑肿瘤之一，对其治疗和监测存在许多挑战。基于最大的专家标注后治疗胶质瘤MRI数据集，2024年脑肿瘤分割（BraTS）挑战将为自动化分割模型提供社区标准和基准，并通过标准化的性能指标评估模型，推动自动化MRI分割领域的进步，促进其融入临床实践，最终提高患者护理。

May, 2024

儿童中枢神经系统肿瘤是导致儿童癌症相关死亡的主要原因，高级别胶质瘤在儿童中的五年生存率不到20%。BraTS-PEDs 2023挑战是首个专注于儿童脑肿瘤的脑肿瘤分割挑战赛，旨在评估儿童脑胶质瘤的体积分割算法，使用在BraTS 2023挑战中采用的标准化定量性能评估指标。优秀的人工智能方法包括nnU-Net和Swin UNETR的集成、Auto3DSeg或具有自监督框架的nnU-Net。BraTS-PEDs 2023挑战促进了临床医生（神经肿瘤学家、神经放射科医生）与人工智能/影像科学家之间的合作，推动数据共享加速和自动化体积分析技术的发展，这些进展可以极大地惠及临床试验并改善儿童脑肿瘤的治疗。

Jul, 2024

本研究针对儿童患者的弥漫性内在脑桥胶质瘤和弥漫性中线胶质瘤的分割难题，提出了一种改进的深度学习级联模型，通过自适应的nnU-Net方法精确实现脑肿瘤亚结构的分割。研究结果显示，新的方法在BraTS-PEDs 2024挑战中表现优异，显著提高了肿瘤分割的准确性和鲁棒性，具有重要的临床应用潜力。

Oct, 2024