使用带残差块的U型网络和Tversky损失函数进行脑结构分割，提高在不同模态下的准确率，同时采用模型集成策略进一步提高性能。

Dec, 2020

本文通过一项消融研究，建议了优化的U-Net架构用于BraTS21挑战的脑肿瘤分割任务，并在NVIDIA Deep Learning Examples GitHub仓库中开源了代码来重现我们的BraTS21提交。

Oct, 2021

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

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出0.82、0.82和0.87的Dice评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 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

提出了一种新颖的混合多头注意力 U-Net 架构，用于准确的脑肿瘤分割，并捕捉复杂的空间关系和微妙的肿瘤边界。与 SegNet、FCN-8s 和 Dense121 U-Net 架构相比，该模型在评估性能指标方面表现出色。

May, 2024

使用Columbia-University-Net (CU-Net)架构和BraTS 2019数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称U型结构的CU-Net模型，Dice系数高达82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。

Jun, 2024

本研究针对脑肿瘤在多参数磁共振成像中的分割问题，提出了一种基于深度学习的集成策略，以提升肿瘤亚区的分割准确性。通过结合最先进的nnU-Net和Swin UNETR模型，并采用针对性的后处理策略，实验结果表明该方法在儿童脑肿瘤、颅内脑膜瘤和脑转移瘤的分割任务中具有显著的效果，强调了其在临床决策中的潜在影响。

Sep, 2024

本研究针对脑肿瘤分割中的高计算负担问题，提出了一种名为MBDRes-U-Net的轻量级模型。该模型通过集成多分支残差块和融合注意力的方法，利用多模态图像中的丰富局部特征来增强分割性能，显著减少计算开销，并在脑肿瘤分割挑战赛数据集中展示了其高精度的分割效果。

Nov, 2024