提出了一种将 Transformers 集成到自适应 U-Net 中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

Jul, 2023

本文通过一项消融研究，建议了优化的 U-Net 架构用于 BraTS21 挑战的脑肿瘤分割任务，并在 NVIDIA Deep Learning Examples GitHub 仓库中开源了代码来重现我们的 BraTS21 提交。

Oct, 2021

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

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出 0.82、0.82 和 0.87 的 Dice 评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 2023

本研究利用编码器 - 解码器结构，结合变分自编码器总体约束方法，从大量的 3D MRI 数据中，实现了对脑肿瘤细分的自动化分割，并在 BraTS 2018 挑战中获得了第一名。

Oct, 2018

该研究提出了一种用于进行脑肿瘤分割的多编码器模型及介绍了一种新的分类 Dice 损失函数，该方法可以降低特征提取难度，并显著提高模型性能，在验证集上能够与目前最先进的方法相媲美，在完整肿瘤，肿瘤核和增强肿瘤方面的 Dice 分数分别为 0.70249，0.88267 和 0.73864。

Mar, 2022

基于 3D U-Net 模型的多模态脑肿瘤分割框架在验证数据集上实现了 Challenges 1、2 和 3 分别为 0.79、0.72、0.74 的平均病灶 Dice 分数。

Feb, 2024

本文提出了一种改进的 UNet 结构，称为 SLCA UNet，它结合了残差密集块、分层注意力和通道注意力模块，以及堆叠卷积。在脑肿瘤分割上，该方法在 BraTS 2020 数据集上表现良好，平均 Dice 系数、灵敏度、特异度和 Hausdorff95 分别为 0.845、0.845、0.999 和 8.1。

Jul, 2023

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 2023

利用 U-Net 架构开发了准确且具有泛化能力的多发性硬化症损伤分割模型，并提供了一种新颖的测试时自组合损伤融合策略，不需要进一步的修改，同时具备实例归一化，而非文献中广泛使用的批归一化，在不同扫描仪的临床测试数据上展示了良好的泛化能力。

Dec, 2023