脑肿瘤图像分割是一个具有挑战性的研究课题，深度学习模型呈现出最佳结果。然而，传统的从许多预注释图像中训练这些模型的方式还存在一些未解答的问题。因此，方法学，例如从图像标记学习特征 (FLIM)，已经在学习循环中涉及专家，以减少数据注释的人力工作量，并在一个给定的问题上构建足够深的模型。FLIM 已成功用于创建编码器，估计从标记像素为中心的补丁的所有卷积层的滤波器。在这项工作中，我们提出了多步骤 (MS) FLIM - 一种用户辅助的方法，用于从多个 FLIM 执行中估计和选择最相关的滤波器。MS-FLIM 仅用于第一层卷积层，结果已经表明相对于 FLIM 存在改进。为了评估，我们构建了一个简单的 U 形编码器 - 解码器网络，名为 sU-Net，用于胶质母细胞瘤分割，使用 T1Gd 和 FLAIR MRI 扫描，改变编码器的训练方法，使用 FLIM，MS-FLIM 和反向传播算法。此外，我们使用两个数据集将这些 sU-Net 与两个最先进的深度学习模型进行了比较。结果显示，基于 MS-FLIM 的 sU-Net 胜过其他训练方法，并在 SOTA 模型的标准偏差范围内实现了有效性。

Mar, 2024

本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

Oct, 2017

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

本文提出了基于主动学习和元学习的功能微调算法，以帮助网络不忘记原始任务，实现大脑肿瘤分割的准确识别，并展示了从高级别胶质瘤到脑转移的迁移学习方法，证明所提出的算法可以在短时间内实现对于胶质瘤和脑转移领域的平衡参数。

May, 2023

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

本文提供一种深度主动学习框架，基于全卷积网络和主动学习结合提供对最有效的标注区域的建议，以显著降低标注时间，测试中仅使用 50% 的训练数据，即可达到最先进的分割性能。

Jun, 2017

本研究利用同时使用 MRI 图像中的像素级注释和图像级注释，提出了一个学习框架，用于大脑肿瘤的分割模型，并研究了像素级注释和图像级注释的比较量对分割质量的影响，并将我们的方法与传统的全监督方法进行比较，并展示了我们的方法在分割质量方面的优势。

Nov, 2019

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

医学图像分割 (MIS) 在医学图像分析中起着关键作用，目前主流的 MIS 方法基于深度神经网络 (DNNs)，该方法主要训练医生生成的注释掩膜数据集，然而由于不同医生生成的注释掩膜可能存在差异，因此本文利用多专家注释来提高模型对新医生的适应性，并在 MRI 脑分割任务上进行了试验，结果表明，在只使用新医生提供的几个注释进行轻量级微调后，模型在新医生上的适用性可以得到有效增强。

Feb, 2024

提出了一种新颖的可扩展多模式深度学习架构，利用新的嵌套结构，以显式利用跨模态或模式内深度特征，促使早期层结构化和稀疏化以使最终架构可扩展到多种模态， 并对脑肿瘤分割进行评估，显示其相对于传统连接方法的规正化效果。

Jun, 2017