提出了一种采用 CNN-Transformer 混合网络的多模态特征蒸馏的准确脑肿瘤分割方法，用于处理缺少模态的脑肿瘤图像，通过多个模块实现了特征提取和融合，提高了缺失模态情况下的分割性能，实验证明了方法的有效性。

Apr, 2024

通过引入创新的多模态信息交叉变换器（MicFormer），本研究在多模态图像任务中成功整合不同模态之间的相关信息，显著提高了分割性能，表明 MicFormer 在多模态图像任务中具有广泛的应用潜力。

Apr, 2024

本研究提出了一个基于 Transformer 的模态注入器，用于合成多模态脑 MR 图像，通过从编码器中提取模态不可知特征，然后将其转换为模态特定特征，进而捕捉所有脑结构之间的远距离关系，从而生成更真实的图像。在 BraTS 2018 数据集上进行实验的结果表明，所提出的方法在合成质量方面具有优势。此外，还对脑肿瘤分割任务和不同的条件方法进行了实验。

Feb, 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

该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

Apr, 2023

本文提出了使用 Transformer 和 3D CNN 实现 MRI 脑肿瘤分割的新网络 TransBTS。该网络同时利用全局和局部特征进行分割，并在 BraTS 2019 和 2020 数据集上取得了当前最高水平的分割效果。

Mar, 2021

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

通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

Nov, 2023

本文提出了一种名为 H-DenseFormer 的混合密集连接网络，它结合了卷积神经网络（CNN）和 Transformer 结构的表示能力，用于多模态医学图像的肿瘤分割，并通过设计轻量级 Densely Connected Transformer（DCT）块显著降低计算复杂度。实验证明，该方法在性能和计算复杂度方面均优于现有方法。

Jul, 2023

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