本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割，该方法利用 MRI 数据帮助病灶分割，分类准确率较高，是一种有效和高效的病灶分割方法，可以帮助研究和评估 Glioma 的治疗效果。

Jan, 2018

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

本研究提出了一种基于深度学习的模型用于对磁共振成像（MRI）扫描中的脑肿瘤进行分类和分割。该模型通过EfficientNetB1体系结构进行图像分类，基于U-Net体系结构进行精确的肿瘤分割，并在公共数据集上得到了高准确率和分割度量，表明它们在脑肿瘤的诊断和治疗中具有可能的临床应用价值。

Apr, 2023

本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

Apr, 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

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

通过使用边缘地面真实度的方法，与基线U-Net和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与Swin U-Net和混合MR-U-Net等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘图。此外，为了进一步解释结果，研究了混合MR-U-Net生成的激活图。

Jan, 2024

本文提出了一种浅层编码器和解码器网络（SEDNet）用于脑肿瘤分割，结合预处理算法和优化函数，通过对BraTS2020数据集的测试取得了显著的性能，并通过迁移学习进一步提高了分割准确度，因此，在实时临床诊断中表现出了高效性。

Jan, 2024

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

该研究针对脑肿瘤图像分割中的自动化挑战，提出了一种新颖的Transformer框架multiPI-TransBTS，旨在提升分割精度。通过整合空间信息、语义信息及多模态成像数据，该框架有效应对脑肿瘤特征的异质性，并在BraTS2019和BraTS2020数据集上展现了优于现有最先进方法的性能，为改善脑肿瘤患者的临床结果提供了新的可能性。

Sep, 2024