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

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

BraTS-Africa Challenge evaluates machine learning methods for the detection and characterization of gliomas in Sub-Saharan Africa and provides hope for the potential of computer-aided-diagnostic methods to transform healthcare in resource-limited settings.

May, 2023

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

利用生成对抗网络、注册方法和深度学习模型在 BraTS2023 挑战赛的脑瘤分割任务中，通过非传统机制进行数据增广，实现大量可用样本进行训练，使用卷积算法和变换器填补彼此的知识差距，最佳解决方案在验证集上达到了 0.9005、0.8673、0.8509 的 Dice 结果和 14.940、14.467、17.699 的 HD95 结果（整个肿瘤、肿瘤核心和增强肿瘤）。

Feb, 2024

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

本研究研究使用深度学习算法应对医院实际应用中出现的图像数据不完整情况的影响，检验 MRI 数据的有效性以诊断脑肿瘤，并证明基于不完整图像数据进行的深度学习分割模型可以在临床实践中应用。

Jun, 2022

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

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

MPUnet 在分割儿童脑肿瘤的不同区域方面显示出差异性能水平，其中肿瘤核心（TC）类表现出相对较高的分割准确性，然而在水肿和增强肿瘤（ET）区域的分割中观察到变异，这凸显了脑肿瘤分割的复杂性并强调了进一步完善 MPUnet 方法和包括 MRI 更多数据和预处理的潜力。

Jan, 2024