该论文探讨了使用深度学习算法进行医学诊断的可行性，以及通过脑磁共振扫描预测 MGMT 基因启动子区甲基化状态对老年人常见的致命性脑肿瘤 - 高级别胶质母细胞瘤进行诊断，旨在缩短以往诊断时间且提高准确率。

Apr, 2023

成年人脑胶质瘤是最常见的恶性原发性脑肿瘤之一，对其治疗和监测存在许多挑战。基于最大的专家标注后治疗胶质瘤 MRI 数据集，2024 年脑肿瘤分割（BraTS）挑战将为自动化分割模型提供社区标准和基准，并通过标准化的性能指标评估模型，推动自动化 MRI 分割领域的进步，促进其融入临床实践，最终提高患者护理。

May, 2024

本研究评估了近年来机器学习方法在脑瘤 mpMRI 扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

Nov, 2018

本文提出了一种新颖的多模态方法，BTDNet，利用多参数 MRI 扫描来预测 MGMT 启动子甲基化状态，该方法在 RSNA-ASNR-MICCAI BraTS 2021 挑战中表现出色，为增强脑肿瘤诊断和治疗提供了有希望的途径。

Oct, 2023

针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用 MaskFormer 和神经网络生成强大的脑肿瘤分割掩膜，该方法在 MRI 图像中获得了前所未有的高准确率。

Nov, 2023

BraTS-Africa Challenge evaluates machine learning methods for the detection and characterization of gliomas in Sub-Saharan Africa and provides hope for the potential of computer-aided-diagnostic methods to transform healthcare in resource-limited settings.

May, 2023

该论文介绍了 BraTS Meningioma 2023 挑战赛，该赛事提供了一个标准和基准，旨在利用自动化分割模型初步预测磁共振图像中的三种颅内脑膜瘤亚区域， 对模型的评估使用 Dice 系数和 Hausdorff 距离，并将改进脑膜瘤患者的治疗。

May, 2023

使用 MRI 和弱监督序数支持向量机 (WSO-SVM) 实现对脑胶质母细胞瘤患者肿瘤内部区域遗传改变的非侵入性预测，为个体化肿瘤治疗提供信息。

Dec, 2023

本研究针对脑胶质母细胞瘤患者，在早期手术后磁共振图像中准确分割和分类残余肿瘤是估计切除范围的关键。通过针对该任务训练两个最先进的神经网络结构，并在欧洲和美国的 12 个医院的近 1000 名患者上进行广泛验证，该研究表明最佳性能可达到 61％的 Dice 分数，最佳分类性能为约 80％的平衡准确性，并且最佳模型的分割性能与人类专家医师相当。通过预测分割可将患者准确分类成残留肿瘤和完全切除两类。

Apr, 2023

利用生成对抗网络合成缺失的磁共振成像序列，为医生提供更准确的脑肿瘤诊断和支持人工智能方法在脑肿瘤磁共振成像中的应用。

Oct, 2023