为了更广泛地将自动脑肿瘤分割算法应用于临床，建立了 Brain MR 图像合成基准（BraSyn），用于基准测试图像合成方法来合成缺失的 MRI 模态，以实现多模态且多样化的数据集。

May, 2023

从疾病大脑扫描中综合出健康脑扫描为解决一般算法的局限性，我们考虑了 3D 修复任务，并研究将 2D 修复方法调整为满足 3D 磁共振成像（MRI）数据要求的方法。我们的贡献包括针对 MRI 特定需求的潜在修改，并使用 BraTS2023 修复数据集对多个修复技术进行评估，以评估它们的效果和限制。

Feb, 2024

通过使用去噪扩散概率模型，本文介绍了一种把肿瘤组织转化为健康组织的方法，通过自动分析磁共振图像中的异常组织，进而实现下游任务。我们的方法在验证集上取得了可比较的结果，平均结构相似性指数为 0.7804，峰值信噪比为 20.3525，均方误差为 0.0113。未来将扩展这种方法，使其能够整体修复感兴趣区域而不会丢失邻近切片的上下文信息。

Feb, 2024

该研究介绍了我们在 BraTS 2023 挑战的两个任务中，成人胶质瘤和儿科肿瘤的肿瘤分割方法，采用了 SegResNet 和 MedNeXt 等两个 CNN 模型，并引入了一套强大的后处理方法来提高分割性能。我们的方法在 BraTS 2023 成人胶质瘤分割挑战中取得了第三名，测试集上平均 Dice 和 HD95 分数分别为 0.8313 和 36.38。

Mar, 2024

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

通过使用最大的已知多机构放射治疗计划脑 MRI 数据集，对具有完整或术后脑膜瘤的患者进行放射治疗，本研究旨在推进自动化分割算法。该数据集包含脱敏的三维增强 T1 加权放射治疗计划 MRI 及其相应的标注目标体积，能够准确分割肿瘤并提供个体化治疗，预计将显著改善患者预后。

May, 2024

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019

BraTS 2023 颅内脑膜瘤分割挑战报告了九个参赛队伍使用来自迄今为止最大的多机构系统化专家注释的多标签多序列脑膜瘤 MRI 数据集进行深度学习自动分割模型开发的结果，评估指标包括 dice 相似系数和 95% Hausdorff 距离，并提供了未来手术前脑膜瘤自动分割算法的最新基准。

May, 2024

本研究针对 BraTS 2023 中的 Brain Magnetic Resonance Image Synthesis for Tumor Segmentation (BraSyn) 挑战，通过深度学习中的图像对图像转换探究不同图像质量损失函数的监督下常用的深度学习框架 Pix2Pix 的有效性，并展示了不同学习目标的有益组合如何优化图像合成性能。

Mar, 2024

本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

Feb, 2018