本研究提出一种新的多模态分割框架，使用特征解缠来将多模态数据分解为特定于每种模态的出现代码和吸收多模态信息的模态不变内容代码，从而通过在不同区域门控不同模态的贡献来融合来自每种模态的解缠内容代码，在各个模态数据缺失的情况下获得了优异的鲁棒性，尤其是在BRATS挑战数据集的脑肿瘤分割任务中表现出了优秀的性能。

Feb, 2020

本文提出了使用Transformer和3D CNN实现MRI脑肿瘤分割的新网络TransBTS。该网络同时利用全局和局部特征进行分割，并在BraTS 2019和2020数据集上取得了当前最高水平的分割效果。

Mar, 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

该研究提出了一种多模态医学Transformer(mnFormer)，用于不完整多模态学习的脑肿瘤分割，并且该方法在BraTS 2018数据集上显示出了比现有方法更好的表现。

Jun, 2022

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

提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法，利用原型突出每个肿瘤亚区的特征并生成相应的激活图，进而提高分割性能。

Jul, 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

基于多尺度关注引导U-Net模型以及Swin Transformer的三维脑肿瘤分割方法的性能评估。

Mar, 2024

提出了一种采用CNN-Transformer混合网络的多模态特征蒸馏的准确脑肿瘤分割方法，用于处理缺少模态的脑肿瘤图像，通过多个模块实现了特征提取和融合，提高了缺失模态情况下的分割性能，实验证明了方法的有效性。

Apr, 2024

基于深度学习的脑肿瘤分割（BTS）模型在多模态MRI图像中取得了重要进展。然而，不完整的MRI模态造成分割成为一个具有挑战性的问题。为了解决这些问题，我们提出了一种新颖的方法，从两个方面增强BTS模型。首先，我们引入了预训练阶段，生成一个广泛覆盖肿瘤形状和大脑解剖不同组合的多样数据集。其次，我们提出了后训练阶段，使模型能够在只有部分模态可用时重建缺失的模态。通过大量实验证明，我们的方法显著改善了基线性能，并在三个脑肿瘤分割数据集（BRATS2020、BRATS2018和BRATS2015）上取得了新的最先进成果。

Jun, 2024