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

本研究针对脑胶质母细胞瘤患者，在早期手术后磁共振图像中准确分割和分类残余肿瘤是估计切除范围的关键。通过针对该任务训练两个最先进的神经网络结构，并在欧洲和美国的12个医院的近1000名患者上进行广泛验证，该研究表明最佳性能可达到61％的Dice分数，最佳分类性能为约80％的平衡准确性，并且最佳模型的分割性能与人类专家医师相当。通过预测分割可将患者准确分类成残留肿瘤和完全切除两类。

Apr, 2023

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

应用深度学习于亚撒哈拉地区患者的多模态磁共振成像数据，以提高脑肿瘤分割的精确度，研究表明集成方法可以优于单一模型，在评估指标上展现出0.82、0.82和0.87的Dice评分，为精确分割脑肿瘤奠定了基础，并为未来的研究和性能评估提供了参考。

Aug, 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

准确评估肿瘤切除是管理胶质母细胞瘤的关键。我们使用MRI扫描和神经网络开发了一个流程，可以在术后图像中分割肿瘤亚区域和手术空腔。我们的模型在准确分类切除程度方面表现出色，为临床医生评估治疗效果提供了有价值的工具。

Apr, 2024

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

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

本研究针对脑肿瘤在多参数磁共振成像中的分割问题，提出了一种基于深度学习的集成策略，以提升肿瘤亚区的分割准确性。通过结合最先进的nnU-Net和Swin UNETR模型，并采用针对性的后处理策略，实验结果表明该方法在儿童脑肿瘤、颅内脑膜瘤和脑转移瘤的分割任务中具有显著的效果，强调了其在临床决策中的潜在影响。

Sep, 2024