本文通过一项消融研究，建议了优化的U-Net架构用于BraTS21挑战的脑肿瘤分割任务，并在NVIDIA Deep Learning Examples GitHub仓库中开源了代码来重现我们的BraTS21提交。

Oct, 2021

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

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

通过使用边缘地面真实度的方法，与基线U-Net和其变种相比，边缘目标训练的模型在核心瘤区域表现良好，并且获得与Swin U-Net和混合MR-U-Net等基线最先进模型相似的性能，这些边缘训练的模型能够生成对于治疗规划有用的边缘图。此外，为了进一步解释结果，研究了混合MR-U-Net生成的激活图。

Jan, 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

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

使用Columbia-University-Net (CU-Net)架构和BraTS 2019数据集，本研究提出了一种精确分割脑肿瘤的新方法，该方法通过卷积层、最大池化和上采样操作构建对称U型结构的CU-Net模型，Dice系数高达82.41%，超过了其他两个最先进的模型，这种分割准确性的提升突显了该模型的鲁棒性和有效性，有助于精确确定肿瘤边界，对于手术规划和放射治疗至关重要，最终有潜力改善患者预后。

Jun, 2024

本研究解决了多模态MRI数据在3D脑肿瘤分割中的应用问题。通过引入Kolmogorov-Arnold Network（KAN）层的U-KAN模型，并针对3D任务提出了UKAN-SE变体，结合了Squeeze-and-Excitation模块以增强全局注意力。研究结果表明，U-KAN和UKAN-SE在效率上表现优越，训练时间大约为U-Net和Attention U-Net的四分之一，而在大多数评估指标上超过这些模型。

Aug, 2024

本研究针对脑肿瘤分割中的高计算负担问题，提出了一种名为MBDRes-U-Net的轻量级模型。该模型通过集成多分支残差块和融合注意力的方法，利用多模态图像中的丰富局部特征来增强分割性能，显著减少计算开销，并在脑肿瘤分割挑战赛数据集中展示了其高精度的分割效果。

Nov, 2024