脑卒中已经成为全球健康负担，因此我们需要治疗方法和预防策略来克服这一挑战。在此工作中，我们考虑了公开可用的数据集 ATLAS v2.0，以评估各种端到端有监督的 U-Net 风格模型。我们在 2D 变换器模型上达到了最高的 Dice 得分 0.583，在 3D 残差 U-Net 模型上达到了 0.504。我们对 3D 模型进行了 Wilcoxon 测试，以确定预测和实际中风体积之间的关系。为了可复现性，代码和模型权重已公开提供。

Oct, 2023

本文提出了一种基于 Transformer 网络的多任务模型，用于同时对脑缺血损伤进行分割和估计时间，该模型利用门控位置自注意力和 CT 专用数据增强来捕捉长距离的空间依赖性，综合评估表明该方法在分割效果、时间分类性能和向先前工作提供的比较方面都表现出色。

Jun, 2023

本研究提出了一种新的多任务学习框架，利用大量自动生成的部分注释和少量手工创建的完整注释进行网络训练，解决了使用深度神经网络进行 3D 脑图像分割的挑战，同时提高了全脑分割的性能。

Aug, 2019

本研究选择了四种深度模型进行中风分割，即纯 Transformer 结构 (DAE-Former)，两种带有注意机制的先进 CNN 模型 (LKA 和 DLKA)，一种将 CNN 与 Transformer 结合的高级混合模型 (FCT)，以及以给定数据为基础的自适应 nnUNet 框架，并在两个公开可用的数据集上进行了评估，结果表明 nnUNet 在所有模型中具有最简单的设计，并通过强调预处理和后处理技术来提高分割结果，超越了仅关注架构设计的重要性。

Mar, 2024

本研究使用卷积自编码器方法，通过重构 FLAIR 图像的 softmax 层输出来学习分割脑部病变并检测神经退行性疾病，性能远优于传统人工标注和现有自监督方法。

Nov, 2018

我们提出了一个用于三维脑病变分割的通用基础模型，它可以自动分割不同类型和不同成像模态数据的脑病变。我们设计了一种新颖的多模态专家混合框架，利用多个专家网络处理不同的成像模态，并使用分层门控网络将专家预测结果相结合。此外，在训练过程中引入课程学习策略，以避免每个专家网络的退化并保留其专业化。在九个脑病变数据集上评估我们的方法，涵盖了五种成像模态和八种病变类型，结果表明我们的模型优于最先进的通用模型并具有良好的泛化性能。

May, 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

机器学习在预测中风后症状及其对康复的反应方面具有巨大潜力。本研究评估了对神经影像数据进行维度降低和特征选择的方法，并提出了使用卷积神经网络 (CNN) 对结合神经影像和表格数据的新方法。研究结果显示，即使数据集规模较小，结合神经影像和表格数据可实现高精度的中风后分类，可以进一步通过使用医院扫描仪中的图像来提高分类准确性。

Oct, 2023

研究使用深度学习（DL）技术，设计基于计算机断层扫描（CT）的 DL 算法，从非严格研究协议中收集的 CT 脑部扫描数据中检测急性缺血性中风（AIS）病变，并分类受影响的脑部侧边。通过探索 AIS 病变特征、背景脑部外观和时间对 DL 性能的影响，最佳 DL 方法对病变存在和侧边分类达到了 72％的准确率，对大尺寸病变（80％准确率）和多发病变（87％二个病变、100％三个或以上病变的准确率）检测效果更好。

Sep, 2023

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