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

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

该研究基于磁共振成像技术（MRI）模态，采用深度学习技术和创新的集成方法，成功实现了对儿童脑肿瘤的精确分割模型，具有提高诊断准确性和有效治疗策划的潜力。

Aug, 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

儿童中枢神经系统肿瘤是导致儿童癌症相关死亡的最常见原因之一，高级别胶质瘤的五年存活率不到20%，由于它们的罕见性，这些实体的诊断经常延迟，治疗主要基于历史性治疗概念，临床试验需要多机构合作。本研究介绍了CBTN-CONNECT-DIPGR-ASNR-MICCAI BraTS-PEDs挑战赛，专注于儿童脑肿瘤，数据来自多个国际联盟，致力于儿童神经肿瘤学和临床试验。人工智能/图像科学家与临床医生一同努力，以加快自动化分割技术的发展，这将有助于临床试验，并最终改善儿童脑肿瘤患者的治疗。

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

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

本研究解决了大型儿科脑肿瘤组织病理数据集稀缺的问题，应用了两种弱监督的多实例学习方法，通过使用三种预训练特征提取器对切片特征进行分类。研究发现，使用UNI特征结合AMMIL聚合的方法在肿瘤类别、家族和类型分类中具有最佳表现，这表明在多中心国家数据集上，先进的计算病理学方法在诊断儿科脑肿瘤方面具有良好的可推广性。

Sep, 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

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