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

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

通过对多参数 mpMRI 扫描图片（T1w，T1wCE，T2w 和 FLAIR）进行二分类，RSNA-MICCAI 脑肿瘤放射基因组分类挑战旨在预测胶质母细胞瘤中的 MGMT 生物标记物状态。我们使用的数据集分为三个主要组：训练集、验证集（在训练中使用），以及仅在最终评估期间使用的测试集。图像可以是 DICOM 格式或 Png 格式。我们尝试了不同的架构，包括三维版本的 Vision Transformer（ViT3D）、ResNet50、Xception 和 EfficientNet-B3，以研究这个问题。我们使用 AUC 作为主要评估指标，在测试集上，ViT3D 模型和 Xception 模型分别达到了 0.6015 和 0.61745 的优势。与其他结果相比，我们的结果在这个复杂的任务中证明是有效的。通过探索不同的策略、不同的架构和更多样化的数据集，可以进一步提高。

Jan, 2024

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

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

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

本研究提出一种使用多模态成像和集成神经网络的深度学习方法，自动检测和分割小的靶病灶，以提高立体定向放射治疗（SRS）的效率。该方法优于当前基准水平，并证明了对于多个脑转移瘤的 SRS 治疗规划，可靠的 AI 辅助系统。

Aug, 2019

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