该论文提出了一种基于深度神经网络的全自动脑肿瘤分割方法，利用卷积神经网络对肿瘤进行分析和识别从而改善传统方法的效能，得出的结果比现有的最优方法提升了30倍以上。

May, 2015

该论文提出了一个基于机器学习的系统，通过MRI图像协助医疗专业人员进行大脑肿瘤的分类和诊断。该系统快速、安全，且能提供大量的患者信息，包括肿瘤的大小、位置和严重程度等。研究结果表明，该系统准确率高、高效且易于使用。

Apr, 2023

本研究使用卷积神经网络(CNN)结构，对脑磁共振成像(MRI)图像进行分析和分类，以区分良性和恶性脑肿瘤，并采用优化技术如加宽、加深、添加跳跃连接等来提高网络的准确性，结果表明这些技术的子集可以优于基线CNN模型。

Jul, 2023

这篇论文提出了使用卷积神经网络(CNN)、ResNet50、InceptionV3、EfficientNetB0和NASNetMobile模型来高效检测脑肿瘤，以减少手工检查报告的时间并创建自动分类脑肿瘤的系统的研究。提出了一个自动化流程，其中包括CNN、ResNet50、InceptionV3、EfficientNetB0和NASNetMobile五个模型。在平衡数据集上评估了所提出架构的性能，并发现细调的InceptionV3模型的准确率为99.33%。此外，还采用可解释的人工智能方法来可视化模型潜在行为，以了解其黑盒行为。为了进一步优化训练过程，提出了一种成本敏感的神经网络方法，以处理不平衡数据集，在我们的实验中取得了比传统模型准确率高近4%的成果。成本敏感的InceptionV3(CS-InceptionV3)和CNN(CS-CNN)在不平衡数据集上分别显示出92.31%的准确率和1.00的召回率，具有很大的潜力来提高肿瘤检测准确度，并且必须进一步开发以应用于实际解决方案。我们提供了数据集，并公开了我们的实现。

Aug, 2023

使用深度学习技术，特别是ResNet50模型，进行脑瘤识别的研究表明可以提高脑瘤的精确性，达到99.54%的最高准确率。该研究的目标是通过评估和分析的方式，引导研究人员和医疗专业人员构建功能强大的脑瘤检测系统。

Sep, 2023

本文提出了一种完全自动化的使用深度卷积神经网络的脑肿瘤分割和分类模型，包括多尺度方法。与以前的工作相比，我们的提案的一个区别是，输入图像在不同的处理路径上以三个空间尺度进行处理。这个机制受到了人类视觉系统的内在操作的启发。所提出的神经模型可以分析包含三种类型肿瘤的MRI图像：脑膜瘤、胶质瘤和垂体瘤，并且不需要预处理输入图像以提前去除颅骨或椎骨部分。我们的方法在一个包含233名患者3064张切片的公开可用的MRI图像数据集上的性能与以前的经典机器学习和深度学习方法进行了比较。在比较中，我们的方法以0.973的肿瘤分类准确度明显高于使用相同数据库的其他方法。

Feb, 2024

该研究介绍了基于深度学习的自动化脑肿瘤分割技术，利用3D U-Net模型，通过大规模的脑MRI扫描数据集进行分割，并强调了数据预处理的重要性以及模型性能的优化。该综合框架展示了深度学习在自动化脑肿瘤检测中的功效，为临床实践提供有价值的支持。

Apr, 2024

本研究针对脑肿瘤的准确检测这一关键问题，提出了一种新颖的深度学习模型组合方法。研究中使用了四种不同类型的MRI图像，并设计了包括MobileNet-BT在内的五种模型进行脑肿瘤分类预测。研究结果显示，该方法有潜力显著改善脑肿瘤的早期诊断和决策能力。

Aug, 2024

本研究解决了脑肿瘤检测与分类中的准确性与时效性问题，旨在改善早期诊断的效果。通过应用多种统计和机器学习模型，尤其是卷积神经网络（CNN），研究发现CNN在多类别脑MRI图像分类中表现最佳，具有显著的医疗应用潜力，能够支持放射科医师进行早期准确的诊断。

Oct, 2024

本研究解决了脑肿瘤快速准确诊断的需求，提出了一种基于卷积神经网络（CNN）的方法，通过有效提取MRI图像特征来识别肿瘤的存在。研究表明，该模型的准确率高达99.17%，展示了深度学习在脑肿瘤诊断中的潜在应用价值，显著提升了医生的诊断准确性。

Oct, 2024