本研究提出了基于 3D CNN 的新型分割网络对 Glioma 进行自动分割，该方法利用 MRI 数据帮助病灶分割，分类准确率较高，是一种有效和高效的病灶分割方法，可以帮助研究和评估 Glioma 的治疗效果。

Jan, 2018

提出了一种将Transformers集成到自适应U-Net中的新型网络架构，以合理的计算成本提取出三维体积上下文，并探索集成方法，证明了组合多个架构以优化脑肿瘤分割的潜力。

Jul, 2023

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

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

本研究提出了一种创新方法，将Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。我们的集成策略利用多种模态和视图，产生了一个稳健的共识分割，解决了肿瘤内部异质性问题。虽然扫描质量低提出了困难，但我们的方法有潜力在非洲等资源有限的环境中深远影响临床实践，改善治疗决策并推动神经肿瘤学研究。此外，未来成功应用于其他脑肿瘤类型和病变有望在神经影像学上带来更广泛的转变，改善所有环境下的医疗结果。该研究在脑肿瘤分割（BraTS）挑战非洲（BraTS-Africa）数据集上进行，该数据集为解决特定于资源有限环境，特别是非洲人口的挑战，促进了有效和更具一般性的分割算法的发展提供了宝贵资源。为了说明我们的方法的潜力，我们在BraTS-Africa数据集上的实验证明了令人信服的结果，其中SAM在二元分割和多类别分割上的Dice系数分别为86.6和60.4。

Dec, 2023

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

基于多尺度关注引导U-Net模型以及Swin Transformer的三维脑肿瘤分割方法的性能评估。

Mar, 2024

通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好，平均 DSC 为 85.54％，HD95 为 27.88。

May, 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

本研究针对术后胶质瘤分割中常见的困难，提出了两种简单的方法以提升深度学习模型的分割性能。通过引入基于线性组合的额外MRI序列输入和多种集成方法，本研究显著改善了分割效果，强调了这些简单方法在医学影像分割任务中的有效性和潜在影响。

Sep, 2024