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

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

本文通过对 nnU-Net 模型进行 BraTS 2020 挑战的分割任务，在后处理、基于区域的训练、更激进的数据增强以及对 nnUNet 管道的一些小修改方面，结合 BraTS 特定的修改，大大提高了其分割性能。在重新实现 BraTS 排名方案以确定我们的 nnU-Net 变体中最符合其要求的方案的同时，我们的最终集成在整个肿瘤中，肿瘤核心和增强肿瘤方面的 Dice 分数分别为 88.95、85.06 和 82.03，HD95 值分别为 8.498、17.337 和 17.805 获得了 BraTS 2020 比赛的第一名。

Nov, 2020

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

基于深度学习的分割方法可在较短的时间内高效准确地将大脑结构从 MRI 图像中分割出来，该方法以多区域 U-Net 为基础，将大脑分为三个感兴趣的区域，并通过并行运行三个区域 U-Net 将这些更大的结构进一步细分为各自的四个子结构。与一次性分割整个 MRI 图像相比，该方法不仅大大减少了训练和处理时间，而且显著提高了分割的准确性。本方法在平均 Dice 相似系数 (DSC) 为 0.901、95% 豪斯多夫距离 (HD95) 为 1.155 毫米的情况下取得了卓越的准确性，并与最先进的分割方法进行了比较，展示了所提出方法的高准确性和鲁棒性。

Mar, 2024

本文提出了一种使用 U-Net 基于深度卷积神经网络的完全自动化脑肿瘤分割方法，该方法在 Multimodal Brain Tumor Image Segmentation (BRATS 2015) 数据集上进行了测试，并表现出良好的分割性能。

May, 2017

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

利用人工智能中的深度学习技术，基于 nnU-Net 框架实现了高质量的三维生物医学图像分割和量化，该框架不需要人工参与，能够自动适应不同的数据集和分割任务，同时在 19 项公共比赛中取得了优于大部分深度学习算法的表现。

Apr, 2019

本文提出了两种深度学习模型，UNet 和 Deeplabv3，用于使用预处理的脑 MRI 图像检测和分割胶质母细胞瘤脑肿瘤，实验结果表明，Deeplabv3 在准确性上优于 UNet，但需要更多的计算资源，这些模型为胶质母细胞瘤脑肿瘤的早期检测和分割提供了一种有前途的方法。

Apr, 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