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

本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割，该方法利用 MRI 数据帮助病灶分割，分类准确率较高，是一种有效和高效的病灶分割方法，可以帮助研究和评估 Glioma 的治疗效果。

Jan, 2018

该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了 30 倍以上。

May, 2015

本文提出使用卷积神经网络（Convolutional Neural Networks）直接从影像数据预测脑胶质母细胞瘤分级的方法，从而避免了需要专家标注感兴趣区域的需求，并且通过可解释性方法检查分类是否使用了与肿瘤分级相关的影像区域作为质量保证阶段。

Sep, 2018

提出了一种基于 Grad-CAM 的透明度技术，通过可视化重要的输入区域来提高人类对卷积神经网络（CNN）模型的理解，帮助理解包括图像字幕和视觉问答（VQA）模型在内的基于 CNN 的模型，并通过测量它们的分类能力、人类可信度和与遮挡地图的相关性来评估它们的视觉解释。

Nov, 2016

对不同深度学习模型的 Gradient-weighted Class Activation Mapping (Grad-CAM) 方法在自动胸部 X 光扫描中的气胸诊断中的鲁棒性和有效性进行了研究，结果显示深度神经网络并不一定能够显著提高气胸诊断的准确性，Grad-CAM 的有效性也随着网络架构的不同而变化。

Aug, 2023

本研究提出了一种新的基于信心度的类激活映射方法 (Cfd-CAM)，该方法在脑肿瘤图像分割方面具有更高的精度和更好的效果。

Jun, 2023

本文提出了一种基于 3D 全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的 3D 卷积来学习 3D 肿瘤 MRI 数据的新方法，该方法能够识别 MRI 上的高级肿瘤结构，具有比现有方法更好的性能。

Nov, 2016

本论文通过采用 Capsules 网络结构，解决了医学图像数据如 MRI 图像的处理问题，同时优化了神经网络的结构以提高大脑肿瘤分类问题的准确性，并解决过拟合问题。

Feb, 2018

本研究使用卷积神经网络分类器及热图来解决分割问题，并提出用平均 Dice 系数评估结果的方法。研究显示热图可以定位和分割部分肿瘤区域，但仅使用 CNN 分类器的热图可能并非最佳选项。

Jan, 2022