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

本文介绍了一种利用卷积神经网络的特征加上数据增强和 Dice 损失函数的方法，成功应用于大脑肿瘤的分割，同时在乳腺癌核分裂图像的分割中也有着广泛的应用。

Feb, 2018

本研究评估了近年来机器学习方法在脑瘤mpMRI扫描方面的应用，主要集中在评估各种脑瘤子区域的分割、预测肿瘤进展和预测患者的总体存活率等方面，考虑到数据集的多样性和不断演化，同时探讨了针对每个任务的最佳机器学习算法的挑战。

Nov, 2018

本文提出了一种基于3D注意力的U-Net架构，用于使用由三个非本地MRI卷积组合而成的单一堆叠的多模态体积进行大脑肿瘤的多区域分割。该方法通过在U-Net的解码器端添加注意机制来提高分割精度，从而减少了对健康组织的侧重和突出了恶性组织，提高了泛化能力并减少了计算资源。该方法在BraTS 2021任务1数据集上进行训练和评估，证明其在精度上优于其他方法。实验结果表明，该方法潜在地提高了使用多模态MRI数据进行大脑肿瘤分割的能力，有望为更好地理解和诊断脑部疾病做出贡献。这项工作强调了在大脑肿瘤分割中结合多种成像模式和引入注意机制以提高精度的重要性。

May, 2023

CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs 2023 challenge is the first BraTS challenge focused on pediatric brain tumors with data acquired across multiple international consortia dedicated to pediatric neuro-oncology and clinical trials, aiming to develop volumentric segmentation algorithms for high-grade pediatric glioma utilizing standardized quantitative performance evaluation metrics and multi-parametric structural MRI (mpMRI) training data.

May, 2023

针对脑癌中最具侵略性和最致命的类型之一，我们提出了一种新的方法，BRAINNET，利用MaskFormer和神经网络生成强大的脑肿瘤分割掩膜，该方法在MRI图像中获得了前所未有的高准确率。

Nov, 2023

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

成年人脑胶质瘤是最常见的恶性原发性脑肿瘤之一，对其治疗和监测存在许多挑战。基于最大的专家标注后治疗胶质瘤MRI数据集，2024年脑肿瘤分割（BraTS）挑战将为自动化分割模型提供社区标准和基准，并通过标准化的性能指标评估模型，推动自动化MRI分割领域的进步，促进其融入临床实践，最终提高患者护理。

May, 2024

儿童中枢神经系统肿瘤是导致儿童癌症相关死亡的主要原因，高级别胶质瘤在儿童中的五年生存率不到20%。BraTS-PEDs 2023挑战是首个专注于儿童脑肿瘤的脑肿瘤分割挑战赛，旨在评估儿童脑胶质瘤的体积分割算法，使用在BraTS 2023挑战中采用的标准化定量性能评估指标。优秀的人工智能方法包括nnU-Net和Swin UNETR的集成、Auto3DSeg或具有自监督框架的nnU-Net。BraTS-PEDs 2023挑战促进了临床医生（神经肿瘤学家、神经放射科医生）与人工智能/影像科学家之间的合作，推动数据共享加速和自动化体积分析技术的发展，这些进展可以极大地惠及临床试验并改善儿童脑肿瘤的治疗。

Jul, 2024

本研究针对儿童患者的弥漫性内在脑桥胶质瘤和弥漫性中线胶质瘤的分割难题，提出了一种改进的深度学习级联模型，通过自适应的nnU-Net方法精确实现脑肿瘤亚结构的分割。研究结果显示，新的方法在BraTS-PEDs 2024挑战中表现优异，显著提高了肿瘤分割的准确性和鲁棒性，具有重要的临床应用潜力。

Oct, 2024