本研究提出了一种新的深度学习方法用于肿瘤分割，特别是在处理数据缺失时具备先进性。首先，将所有观察到的模态独立地嵌入到共享潜在表示中，然后从这个潜在表示中生成缺失数据和肿瘤分割。最后，通过将双方的优点与 3D U-Net 和多模态变分自编码器相结合，提出了一种新的网络结构。

Jul, 2019

本研究介绍了一种新的端到端后模态配对学习方法，它利用了不同模态功能，捕获了多模态之间的复杂关系和丰富信息，并通过平均多个模型和一些后处理技术获得了较好的脑肿瘤分割性能，最终在 BraTS 2020 挑战赛获得了肿瘤分割任务的第二名。

Oct, 2020

本研究提出一种新的多模态分割框架，使用特征解缠来将多模态数据分解为特定于每种模态的出现代码和吸收多模态信息的模态不变内容代码，从而通过在不同区域门控不同模态的贡献来融合来自每种模态的解缠内容代码，在各个模态数据缺失的情况下获得了优异的鲁棒性，尤其是在 BRATS 挑战数据集的脑肿瘤分割任务中表现出了优秀的性能。

Feb, 2020

通过使用 masked predicted pre-training 和 knowledge distillation 技术，以及采用 Holder pseudo-divergence 代替 KLD 作为 distillation loss，该研究在多模式磁共振成像中对脑肿瘤进行分割，取得了显著的性能提升。

Jun, 2024

基于深度学习的脑肿瘤分割（BTS）模型在多模态 MRI 图像中取得了重要进展。然而，不完整的 MRI 模态造成分割成为一个具有挑战性的问题。为了解决这些问题，我们提出了一种新颖的方法，从两个方面增强 BTS 模型。首先，我们引入了预训练阶段，生成一个广泛覆盖肿瘤形状和大脑解剖不同组合的多样数据集。其次，我们提出了后训练阶段，使模型能够在只有部分模态可用时重建缺失的模态。通过大量实验证明，我们的方法显著改善了基线性能，并在三个脑肿瘤分割数据集（BRATS2020、BRATS2018 和 BRATS2015）上取得了新的最先进成果。

Jun, 2024

一个新的端到端框架 FORESEE，通过挖掘多模态信息来稳健地预测患者生存情况，同时利用细胞水平、组织水平和肿瘤异质性水平的丰富语义特征，解决了多模态数据的缺失问题，并通过交叉尺度特征融合方法，提高了病理图像特征表征能力。

May, 2024

基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

Jan, 2022

提出了一种具有模态重建和模型个性化的健壮的通用模型，能够在训练和测试阶段有效地处理缺失的模态，通过多模态掩码自编码器重构缺失的模态和掩码补丁，利用创新的分布近似机制充分利用完整和不完整的数据，提出了基于 CLIP 的超网络来个性化模型参数，能够适应不同的缺失模态场景，并在两个脑肿瘤分割基准上得到广泛验证，在不同缺失比例的全阶段缺失模态设置下始终超过先前最先进的方法，代码将可用。

Jun, 2024

提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法，利用原型突出每个肿瘤亚区的特征并生成相应的激活图，进而提高分割性能。

Jul, 2023

该论文提出了一种新的统一的多模式图像综合方法，包括通过生成敌对网络从任意可用模式的组合中合成丢失的模态，并使用共性和差异敏感编码器及动态特征统一模块来提高图像合成质量和适应性，实验结果表明该方法在处理多种综合任务时具有优越的性能。

Apr, 2023