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
本文提出了一种基于3D全卷积神经网络模型并利用预定义的高斯差分滤波器进行真正的3D卷积来学习3D肿瘤MRI数据的新方法，该方法能够识别MRI上的高级肿瘤结构，具有比现有方法更好的性能。
Nov, 2016
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
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
本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。
Apr, 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
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。