使用 3D Spatial Attention U-Net（3D SA-UNet）模型对液体衰减逆转复苏（FLAIR）扫描进行自动白质高信号（WMH）分割，通过增加 3D 空间注意力模块和 3D ASPP 模块，提高了网络的分割性能，并实验证明了该模型相比其他先进的 3D 卷积神经网络有更高的准确性。

Sep, 2023

利用深度完全卷积神经网络和集成模型自动检测老年健康人群中的白质高信号病变，取得 WMH Segmentation Challenge at MICCAI 2017 的第一名，同时提供关于系统组成成分的详细描述和定量分析。

Feb, 2018

使用 wmh_seg 这一基于转换器编码器的深度学习模型，该模型在不同磁场强度、扫描仪制造商和常见磁共振成像伪影的条件下，稳定地实现了 7T 患者的白质病变分割。

Feb, 2024

本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。

May, 2023

该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。

Dec, 2023

本文介绍了通过 WMH Segmentation Challenge，针对来自多个中心和扫描仪的脑部 MRI 图像，评估了五种指标来比较自动化白质高信号 （WMH）分割算法的性能，发现了四种方法的结果比其他方法显著优越，并且表明不是所有方法都适用于未知扫描仪。

Apr, 2019

通过使用时飞磁共振血管成像等技术，本文提出了 3D 脑血管关注 UNet 方法，并通过交叉验证和标注数据验证了其在精确识别脑血管结构方面的优越性。

Nov, 2023

本文提出了一种基于 3D 注意力的 U-Net 架构，用于使用由三个非本地 MRI 卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在 U-Net 的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在 BraTS 2021 任务 1 数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态 MRI 数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

May, 2023

使用 FocalSegNet 和条件随机场（CRF）后处理的弱监督学习技术，可以从时间飞行磁共振血管成像（MRA）的粗略标签中获取精细的未破裂颅内动脉瘤（UIAs）分割，具有 0.68 的 Dice 分数和 0.95 毫米的 95% Hausdorff 距离。与现有技术相比，FocalSegNet 表现出更好的性能，并且焦点调制技术对该任务有益。

Aug, 2023

使用多尺度聚合模型来处理大小可变的白质高信号区域 / 损伤的分割任务，在多个数据集上的表现均优于现有的方法。

Jul, 2018