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

本文提出一种基于张量的奇异值分解的方法，用于理解卷积层的动态过程和发现卷积特征之间的相关性，以及在图像分类网络中应用超图模型进行可解释性研究。

Aug, 2022

通过重新设计算法以监督学习的方式操作，本文针对 K-SVD 图像去噪算法提出了一种基于深度学习的端到端架构，并在优化去噪方面进行了训练，以克服将 K-SVD 方案变为可微分的机器并学习的困难。结果表明，该算法在保留原始 K-SVD 精髓的同时，仅需少量参数学习，就能显著优于经典的 K-SVD 算法，接近于最新的基于学习的去噪方法。

Sep, 2019

本文提出了一种使用奇异值分解来改善知识转移的新方法，将 T-DNN 的知识传递给 S-DNN 以提高计算效率，并通过自我监督的方式实现知识转移，模拟结果表明，在与 T-DNN 相同的计算成本下，我们的 S-DNN 比最先进的蒸馏技术驱动的 S-DNN 性能高出 1.79 个百分点，并且在分类准确性方面可比 T-DNN 好 1.1 个百分点。

Jul, 2018

介绍了一种应用于 vestibular schwannoma MRI 图像的 2.5D 卷积神经网络，该网络利用了所应用成像协议中不同的平面分辨率，使其精度和鲁棒性得到提升，并通过引入注意力机制以及权重逐渐递增的 Dice 损失函数对其进行了优化。实验表明，该方法能有效提高分割精度，为患者管理提供了重要参考。

Jun, 2019

提出了一种基于卷积神经网络的肿瘤分割方法，采用多种序列图像，结合 2D 和 3D 上下文，通过级联 2D-3D、子网络处理缺失图像序列等策略提高了效率，在 BRATS 2017 竞赛中良好表现，可用于各种分割任务。

Jul, 2018

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

本文研究探讨卷积神经网络在人工智能领域的应用，并且探讨该类网络存在的问题和局限性，提出使用奇异值分解方法可以分析卷积神经网络中涉及到的非人类因素，从而对其产生作用的原因展开研究。同时提出了一种新的特征分配方法，建立了卷积神经网络的理论框架。

Dec, 2020

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

通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

Sep, 2019