采用深度人工神经网络，通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割，无需非线性图像配准，对于全脑的解剖分割具有较好效果，为该领域提供了新的技术路线。

Feb, 2015

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

本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

Dec, 2016

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

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

本文研究了使用多尺度网络和显式的位置特征在卷积神经网络中，以将解剖结构位置信息与医学图像分析相整合，提高自动分割的准确性，实验结果表明，加入位置信息的网络与手工特征或不加入位置信息的网络相比较，取得了更好的结果。

Oct, 2016

本文介绍了一种高效的 3D 卷积神经网络，采用 3D multi-fiber unit 并使用 3D dilated convolutions 来构建多尺度特征表示，以达到实时密集体积分割的目的，并在 BraTS-2018 挑战数据集上的实验结果表明，该神经网络架构在高保真度的前提下大大降低了计算成本。

Apr, 2019

本文介绍了一种分割脑损伤的新方法，主要采用 3D 卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

Mar, 2016

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

提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

Jul, 2018