Prototype-Driven and Multi-Expert Integrated Multi-Modal MR Brain Tumor Image Segmentation
Kunming University of Science and Technology（昆明理工大学）；Yunnan University（云南大学）
针对多模态MR脑肿瘤分割中肿瘤子区域信息混叠、单区域特征未被强化的问题，提出原型驱动结合多专家集成的分割方法，通过模态互传获取完整原型、原型激活强化子区域特征、多专家融合多层特征，在三个竞赛数据集上验证了方法优越性。
2023-07-22 cs.CV cs.LG eess.IV
3D Semantic Segmentation of Brain Tumor for Overall Survival Prediction
Ahmedabad University（艾哈迈达巴德大学）
胶质瘤是一种恶性脑肿瘤，需要立即治疗以提高患者的生存率。胶质瘤的异质性使得分割困难，特别是对于像坏死、增强肿瘤、非增强肿瘤和水肿这样的子区域。深度神经网络，如全卷积神经网络和全卷积神经网络的集成，对于胶质瘤分割是成功的。本文演示了使用一个三维全卷积神经网络与三层编码器解码器的方法层安排。编码器块包括密集模块，并且解码器块包括卷积模块。网络的输入是3D面片。损失函数结合了骰子损失函数和焦点损失函数。对于增强肿瘤、整个肿瘤和肿瘤核心，网络的验证集骰子得分分别为0.74、0.88和0.73。随机森林回归器使用从地面实况提取的形状、体积和年龄特征进行总体生存预测。回归器在验证集上实现了44.8%的准确度。
2020-11-29 cs.CV cs.LG eess.IV
Deep Learning Based Brain Tumor Segmentation: A Survey
University of Leicester（莱斯特大学）；University of Lancaster（兰卡斯特大学）；Queen Mary, University of London（伦敦大学玛丽女王学院）；Xidian University（西安电子科技大学）；Bielefeld University（比勒费尔德大学）
脑肿瘤分割是医学图像分析中最具挑战性的问题之一。脑肿瘤分割的目标是生成准确的脑肿瘤区域的轮廓。近年来，深度学习方法在解决各种计算机视觉问题方面表现出了良好的性能，例如图像分类，对象检测和语义分割。许多基于深度学习的方法已被应用于脑肿瘤分割，并取得了可喜的成果。考虑到最先进的技术所取得的显着突破，我们使用这项调查来全面研究最近开发的基于深度学习的脑肿瘤分割技术。本次调查选择并讨论了100多篇科学论文，广泛涵盖网络架构设计、不平衡条件下的分割和多模态过程等技术方面。我们还为未来的发展方向提供了有见地的讨论。
2021-11-17 cs.CV eess.IV
Automatic Brain Tumor Detection and Segmentation Using U-Net Based Fully Convolutional Networks
Data Science Institute, Imperial College London（伦敦帝国理工学院数据科学研究所）；National Heart and Lung Institute, Imperial College London（伦敦帝国理工学院国家心肺研究所）
脑肿瘤治疗计划和定量评估的一个主要挑战是确定肿瘤范围。无创磁共振成像（MRI）技术已成为无电离辐射脑肿瘤的一线诊断工具。从3D MRI体积中手动分割脑肿瘤范围是一项非常耗时的任务，并且性能高度依赖于操作者的经验。在这种情况下，一个可靠的全自动分割方法的脑肿瘤分割是必要的肿瘤范围的有效测量。在这项研究中，我们提出了一种全自动的脑肿瘤分割方法，该方法使用基于U-Net的深度卷积网络开发。我们的方法在多模态脑肿瘤图像分割（BRATS 2015）数据集上进行了评估，该数据集包含220个高级别脑肿瘤和54个低级别肿瘤病例。交叉验证表明，我们的方法可以有效地获得有前途的分割。
2017-06-03 cs.CV
TuNet: End-to-end Hierarchical Brain Tumor Segmentation using Cascaded Networks
Umeå University（于默奥大学）
神经胶质瘤是最常见的脑肿瘤类型之一;它产生于人脑和脊髓中的神经胶质细胞。除了具有高死亡率之外，神经胶质瘤治疗也非常昂贵。因此，为了延长患者的存活率并降低治疗成本，从早期阶段进行自动和准确的分割和测量是至关重要的。在目前的工作中，我们提出了一种新的端到端级联网络用于语义分割，该网络利用肿瘤子区域的分层结构，在每个卷积和级联块之后具有ResNet样块和挤压和激励模块。通过利用交叉验证，平均集成技术，和一个简单的后处理技术，我们得到的骰子得分为88.06，80.84，和80.29，Hausdorff距离（第95百分位数）为6.10，5.17，和2.21，分别为整个肿瘤，肿瘤核心，和增强肿瘤，在在线测试集。
2019-11-25 cs.CV cs.LG eess.IV
Redundancy Reduction in Semantic Segmentation of 3D Brain Tumor MRIs
NVIDIA（英伟达）
2021年的多模式脑肿瘤分割挑战（BraTS）提供了更大的数据集，以促进脑肿瘤分割方法的合作和研究，这是疾病分析和治疗计划所必需的。BraTS 2021的大数据集大小和现代GPU的出现为基于深度学习的方法从数据中学习肿瘤表示提供了更好的机会。在这项工作中，我们维护了一个基于编码器-解码器的分割网络，但重点是修改网络训练过程，以最大限度地减少扰动下的冗余。给定一组训练好的网络，我们进一步引入基于置信度的集成技术来进一步提高性能。我们在BraTS 2021验证板上对该方法进行了评估，增强肿瘤核心、肿瘤核心和整个肿瘤的平均dice分别为0.8600、0.8868和0.9265。我们的团队（NVESTs）提交的ET和TC分数表现最好，WT分数表现最好的10个团队之一。
2021-11-01 cs.CV eess.IV
Automatic Brain Tumor Segmentation with Scale Attention Network
Icahn School of Medicine at Mount Sinai（西奈山伊坎医学院）
脑肿瘤的自动分割是提取定量成像生物标志物以进行准确肿瘤检测、诊断、预后、治疗计划和评估的重要但具有挑战性的步骤。多模态脑肿瘤分割挑战2020（BraTS 2020）提供了一个通用平台，用于比较多参数磁共振成像（mpMRI）在以下任务中的不同自动算法：1）脑肿瘤分割MRI扫描; 2）根据术前MRI扫描预测患者总生存期（OS）; 3）将真实肿瘤复发与治疗相关效应区分开，以及4）评估分割中的不确定性测量。我们通过开发基于编码器-解码器架构的全自动分割网络来参与图像分割挑战。为了更好地整合不同尺度的信息，我们提出了一种动态尺度注意机制，该机制将不同尺度的特征图的低级细节与高级语义相结合。我们的框架使用BraTS 2020提供的369个挑战训练案例进行训练，并实现了平均Dice相似系数（DSC）为0.8828，0.8433和0.8177，以及95%的Hausdorff距离在166个测试病例中，全肿瘤、肿瘤核心和增强肿瘤的平均直径（毫米）分别为5.2176、17.9697和13.4298，在BraTS 2020挑战赛的693个注册中排名第三。
2020-11-25 cs.CV eess.IV
Enhancing Brain Tumor Segmentation Using Channel Attention and Transfer learning
University of Tehran（德黑兰大学）；Texas Tech University（德克萨斯理工大学）；University of Michigan Health System（密歇根大学医疗系统）
本研究提出一种集成EfficientNetB0编码器、通道注意力与ASPP的增强ResUNet模型，用于脑肿瘤分割，在BraTS 2020上取得优异Dice系数，优于基线方法。
2025-01-19 cs.CV eess.IV
Artificial Neural Network Fuzzy Inference System (ANFIS) For Brain Tumor Detection
GIMT Kanipla, Kurukshetra（GIMT卡尼普拉学院，库鲁克舍特拉）
脑肿瘤的检测和分割非常重要，因为它提供了正常和异常组织的解剖信息，有助于治疗计划和患者随访。图像分割有许多技术。提出的研究工作使用ANFIS（人工神经网络模糊推理系统）的图像分类，然后比较结果与FCM（模糊C均值）和K-近邻。ANFIS包括ANN和模糊逻辑系统的优点。综合的特征集和模糊规则的选择分类异常图像对应的肿瘤类型。实验结果表明，有前途的结果在分类精度。与FCM和K-NN进行了比较分析，显示ANFIS系统的优越性。
2012-12-01 cs.AI cs.CV
Brain Tumor Detection Based On Mathematical Analysis and Symmetry Information
图像分割脑磁共振图像肿瘤分割的一些挑战性问题是由于磁共振成像强度与解剖意义之间的弱相关性造成的，为了利用更有意义的信息来改善脑肿瘤分割，本文提出了一种利用双边对称信息作为分割特征的方法，这是由于在一般的自动分割算法中，脑磁共振图像分割是医学成像领域中的一个复杂问题，脑磁共振图像可以被划分为多个子区域，特别是软组织，如灰质、白质和脑脊液，虽然边缘信息是图像分割的主要线索，本文提出了一种新的肿瘤图像分割算法，该算法在对图像内容进行分析时，如果不结合其它信息，就不能得到较好的分割效果，从而实现肿瘤的位置和边界的自动检测，并对实际图像进行了实验，结果表明该算法灵活方便，具有一定的实用价值。
2014-03-24 cs.CV
3D MRI brain tumor segmentation using autoencoder regularization
NVIDIA（英伟达）
从3D磁共振图像（MRI）中自动分割脑肿瘤对于疾病的诊断、监测和治疗计划是必要的。手动描绘实践需要解剖学知识，是昂贵的，耗时的，并且可能由于人为错误而不准确。在这里，我们描述了一个语义分割网络的编码器-解码器架构的基础上，从三维MRI肿瘤分区分割。由于训练数据集大小有限，因此添加了变分自动编码器分支来重建输入图像本身，以便正则化共享解码器并对其层施加额外的约束。目前的方法在BraTS 2018挑战赛中获得第一名。
2018-11-19 cs.CV q-bio.NC
A Review on End-To-End Methods for Brain Tumor Segmentation and Overall Survival Prediction
Pandit Deendayal Petroleum University（潘迪特·迪恩代尔石油大学）
脑肿瘤分割旨在从健康脑组织中描绘肿瘤组织。肿瘤组织包括坏死、瘤周水肿和活动性肿瘤。相反，健康的脑组织包括白质、灰质和脑脊液。基于MRI的脑肿瘤分割研究越来越受欢迎; 1.它不像X射线或计算机断层扫描成像那样照射电离辐射。2.它能产生身体内部结构的详细图像。MRI扫描被输入到基于深度学习的方法中，这些方法对自动脑肿瘤分割非常有用。来自片段的特征被馈送到分类器，该分类器预测患者的总体存活。本文的目的是对脑肿瘤分割和总体生存预测的最新技术进行广泛的概述。
2020-05-31 cs.CV cs.LG eess.IV
Dilated Inception U-Net (DIU-Net) for Brain Tumor Segmentation
Rowan University（罗文大学）；University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
磁共振成像（MRI）通常用于脑肿瘤诊断、治疗计划和治疗后监测。最近，已经提出了各种基于深度神经网络的模型，用于脑MRI中肿瘤的像素级分割。然而，MRI中的结构变化、空间差异和强度不均匀性使得分割成为一项具有挑战性的任务。我们提出了一个新的端到端的脑肿瘤分割架构的基础上U-Net，集成Inception模块和扩张卷积到其收缩和扩展路径。这使我们能够提取局部结构以及全局上下文信息。我们使用Brain Tumor Segmentation（BraTS）2018数据集对胶质瘤子区域进行了分割，包括肿瘤核心、增强肿瘤和整个肿瘤。我们提出的模型在肿瘤核心和整个肿瘤分割方面的表现明显优于最先进的基于U-Net的模型（$p<0.05$）。
2021-08-15 cs.CV cs.LG eess.IV
Brain Tumor Classification From MRI Images Using Machine Learning
PSG College of Technology（PSG技术学院）
针对脑肿瘤早期检测与分类的临床需求，本项目提出开发基于集成学习的机器学习预测系统，用于从MRI图像中定位并分类脑肿瘤，助力精准诊断与治疗规划。
2024-07-15 cs.CV cs.LG eess.IV
A Prior Knowledge Based Tumor and Tumoral Subregion Segmentation Tool for Pediatric Brain Tumors
St. Jude Children’s Research Hospital（圣犹达儿童研究医院）
在过去的几年里，深度学习（DL）模型引起了人们的极大关注，并在脑肿瘤和子区域分割任务上表现出优异的性能。然而，成功仅限于成人胶质瘤的分割，其中已经收集了足够的数据，手动标记，并发布用于训练DL模型。由于儿童胶质瘤的形态与成人胶质瘤不同，因此儿童胶质瘤的分割仍具有挑战性。因此，直接将预保留的DL模型应用于儿科数据通常会产生不可接受的结果。由于儿科数据非常有限，无论是标记的还是未标记的，我们提出了一个基于知识而不是从数据中学习的脑肿瘤分割模型。我们还提供了超异质性肿瘤，如非典型畸胎样横纹肌样瘤（ATRT）的分割更多的亚区。当训练数据不可用于迁移学习时，我们提出的方法在整个肿瘤和子区域分割任务上表现出优于基于儿科数据的DL模型的性能。
2021-09-30 cs.CV cs.LG eess.IV
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning
Hangzhou Normal University（杭州师范大学）；Henri Becquerel Cancer Center（亨利·贝克勒尔癌症中心）；Université de Rouen Normandie（鲁昂诺曼底大学）
针对小样本下脑肿瘤复发位置预测难题，提出结合 BraTS 2021 迁移学习、多尺度多通道融合及非线性关联损失的深度网络，可同时分割当前肿瘤并预测未来复发位置。
2023-04-11 cs.AI cs.CV cs.LG
Brain tumor detection using artificial convolutional neural networks
Universidad Autónoma de Chihuahua（奇瓦瓦自治大学）
在本文中，卷积神经网络（CNN）被用来分类的核磁共振图像的人脑与4种不同类型的肿瘤：脑膜瘤，胶质瘤和垂体瘤。在本项目的训练阶段，准确率为100%，同时，在评估阶段的精度为96%。
2022-06-22 cs.CV cs.LG eess.IV
Light Weight CNN for classification of Brain Tumors from MRI Images
Georgia State University（佐治亚州立大学）
本文提出一种基于轻量级CNN的MRI脑肿瘤四分类方法，通过预处理、裁剪和Keras Tuner超参数调优及5折交叉验证，实现98.78%的分类准确率，为早期临床诊断提供低复杂度辅助方案。
2025-05-05 cs.AI cs.CV cs.LG
Brain Tumor Segmentation with Special Emphasis on the Non-Enhancing Brain Tumor Compartment
CIML Group, Biophysics, University of Regensburg（里堡大学生物物理组）；Department of Neurosurgery , University Hospital Regensburg（里堡大学神经外科部门）；Department of Biomedical Imaging, University Hospital Regensburg（里堡大学生物医学成像部门）；DETI, IEETA, Universidade de Aveiro（阿维罗大学DETI和IEETA）
本文提出基于U-Net的深度学习模型，专注于分割非增强脑肿瘤部分，以提高肿瘤生存时间预测和生长区域识别的准确性。
2026-02-25 cs.CV cs.LG
Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images
Jadavpur University（贾梵普大学）
本文提出两种新型深度学习架构，用于从MRI图像中准确分类和分割脑肿瘤，分别达到99.38%和99.23%的准确率。
2025-12-06 cs.AI cs.CV cs.LG
Non Parametric Data Augmentations Improve Deep-Learning based Brain Tumor Segmentation
Technion - IIT（以色列理工学院）；Philips（飞利浦）
基于磁共振成像（MRI）数据的脑肿瘤自动分割在评估肿瘤对治疗的反应和个性化治疗分层方面发挥着重要作用。手动分割是繁琐和主观的。基于深度学习的脑肿瘤分割算法有可能提供客观和快速的肿瘤分割。然而，此类算法的训练需要大型数据集，这些数据集并不总是可用的。数据增强技术可以减少对大型数据集的需求。然而，目前的方法大多是参数化的，可能会导致次优性能。我们介绍两种用于脑肿瘤分割的非参数数据增强方法：混合结构正则化（MSR）和随机像素噪声（SPN）增强，评价了MSR和SPN增强在脑肿瘤分割（BraTS）中的应用价值2018年挑战数据集，采用编码器-解码器nnU-Net架构作为分割算法。与参数高斯噪声增强相比，MSR和SPN都提高了nnU-Net分割精度。平均骰子分数从80%增加到82%，p值=0.0022，0.0028时，比较MSR的非参数增强肿瘤核心和整个肿瘤实验分别提出的MSR和SPN增强有潜力提高神经网络的性能，以及在其他任务。
2021-11-25 cs.CV cs.LG eess.IV
Brain Tumor Synthetic Data Generation with Adaptive StyleGANs
National University of Computer and Emerging Sciences（国立计算机与新兴科学大学）；MD ANDERSON Cancer Center, The University of Texas（德克萨斯大学MD安德森癌症中心）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）
生成模型多年来一直非常成功，并且在合成数据生成方面受到了极大的关注。随着深度学习模型变得越来越复杂，它们需要大量数据才能准确执行。在医学图像分析中，这种生成模型发挥着至关重要的作用，因为由于与数据隐私，缺乏数据多样性或不均匀的数据分布相关的挑战，可用数据是有限的。在本文中，我们提出了一种使用生成对抗网络生成脑肿瘤MRI图像的方法。我们利用StyleGAN 2和ADA方法生成高质量的肿瘤脑MRI，同时与现有方法相比，使用的训练数据量显著减少。我们使用三个预训练模型进行迁移学习。实验结果表明，该方法能够有效地学习脑肿瘤的分布特征。此外，该模型可以生成具有肿瘤的高质量合成脑MRI，这可以限制小样本量问题。该方法可以通过生成具有肿瘤的逼真脑部MRI来解决有限的数据可用性。代码可在以下网址获得：~ \url{https://github.com/rizwanqureshi123/Brain-Tumor-Synthetic-Data}。
2022-12-04 cs.CV cs.LG eess.IV
QuickTumorNet: Fast Automatic Multi-Class Segmentation of Brain Tumors
Columbia University（哥伦比亚大学）
非侵入性技术，如磁共振成像（MRI）广泛用于脑肿瘤诊断。然而，从3D MRI体积中手动分割脑肿瘤是一项耗时的任务，需要训练有素的放射科专家。由于手动分割的主观性，评分者间可靠性较低，可能导致诊断差异。由于许多脑肿瘤治疗的成功取决于早期干预，因此早期发现至关重要。在这种情况下，脑肿瘤分割的全自动分割方法是必要的，作为一种有效和可靠的方法，脑肿瘤检测和量化。在这项研究中，我们提出了一种用于脑肿瘤分割的端到端方法，利用QuickNAT的修改版本，QuickNAT是一种脑组织类型分割深度卷积神经网络（CNN）。我们的方法进行了评估的数据集233例患者的T1加权图像包含三个肿瘤类型类注释（脑膜瘤，胶质瘤，垂体）。我们的模型QuickTumorNet证明了快速、可靠和准确的脑肿瘤分割，可用于协助临床医生进行诊断和治疗。
2020-12-22 cs.CV eess.IV
AGD-Autoencoder: Attention Gated Deep Convolutional Autoencoder for Brain Tumor Segmentation
脑肿瘤分割是医学图像分析中的一个具有挑战性的问题。其终点是生成在fMRI筛查中准确识别脑肿瘤区域的显著掩模。在本文中，我们提出了一种新的注意力门（AG模型）脑肿瘤分割，利用边缘检测单元和注意力门控网络突出和分割的功能磁共振成像图像的显着区域。该功能使我们能够消除必须明确指向受损区域（外部组织定位）并按照经典计算机视觉技术进行分类的必要性。AG可以很容易地集成到深度卷积神经网络（CNN）中。最小的计算开销是必需的，而AGs显着提高灵敏度分数。我们表明，边缘检测器与注意力门控机制一起提供了足够的方法，用于脑分割，达到0.78的IOU
2021-07-07 cs.CV cs.LG eess.IV
Hybrid Multihead Attentive Unet-3D for Brain Tumor Segmentation
University of Engineering and Technology, Lahore（拉合尔工程技术大学）；School of Interdisciplinary Engineering and Sciences, National University of Sciences and Technology（国家科技大学跨学科工程与科学学院）
本文提出一种混合多头注意力U-Net架构，用于提高脑肿瘤分割的准确性，在BraTS 2020数据集上优于SegNet、FCN-8s和Dense121 U-Net。
2024-05-22 cs.CV cs.LG eess.IV
A Survey and Analysis on Automated Glioma Brain Tumor Segmentation and Overall Patient Survival Prediction
School of Engineering and Applied Science, Ahmedabad University（艾哈迈达巴德大学工程与应用科学学院）
胶质瘤是最致命的脑肿瘤，死亡率高。人类专家的治疗计划取决于对身体症状的正确诊断以及磁共振（MR）图像分析。脑肿瘤在大小、形状、位置和大量MR图像方面的高度可变性使得分析耗时。自动分割方法实现了时间的减少，具有良好的可重复性的结果。本文旨在综述脑胶质瘤自动分割方法的进展。还必须根据基准对各种模式进行客观评价。因此，2012 - 2019年BraTS挑战数据库评估了最先进的方法。挑战下任务的复杂性已经从分割（任务1）增长到总体生存预测（任务2），再到分类的不确定性预测（任务3）。本文涵盖了使用手工特征对任务1的深度神经网络模型进行脑肿瘤分割的全部内容。其目的是展示自动化脑肿瘤模型趋势的完全变化。本文还涵盖了涉及脑肿瘤分割和总体生存预测的端到端联合模型。对各种方法进行了探讨，并对影响性能的参数进行了列表分析。
2021-03-08 cs.CV cs.LG eess.IV
Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection and Localization
Bangladesh University of Engineering & Technology（孟加拉工程技术大学）；Arizona State University（亚利桑那州立大学）
本文提出一种基于MRI和CNN的高效脑肿瘤检测与定位架构，准确率达99.17%，并结合GradCAM定位肿瘤区域及多机器学习模型评估，辅助医生提升诊断准确性。
2025-03-09 cs.AI cs.CV eess.IV
3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework
背景资料：脑胶质瘤是最常见的脑恶性肿瘤，发病率高，死亡率超过3%，严重危害人类健康。临床上获取脑肿瘤的主要方法是MRI。从多模态MRI扫描图像中分割出脑肿瘤区域有助于患者的治疗检查、诊断后监测和疗效评估。然而，目前临床脑肿瘤分割中常见的操作仍然是人工分割，导致其耗时长且不同操作者之间的性能差异较大，迫切需要一种一致且准确的自动分割方法。方法：针对上述问题，提出了一个脑肿瘤MRI数据自动分割框架AGSE-VNet。我们的研究在每个编码器中加入挤压和激励（SE）模块，在每个解码器中加入注意力引导过滤（AG）模块，利用通道关系自动增强通道中的有用信息抑制无用信息，并利用注意力机制引导边缘信息，去除噪声等无关信息的影响。结果：我们使用BraTS 2020挑战在线验证工具来评估我们的方法。验证的重点是整个肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）的Dice评分分别为0.68、0.85和0.70。结论：虽然MRI图像有不同的强度，但AGSE-VNet不受肿瘤大小的影响，能够更准确地提取三个区域的特征，取得了令人印象深刻的效果，为脑肿瘤患者的临床诊断和治疗做出了突出贡献。
2021-07-26 cs.AI cs.CV cs.LG
Deep Convolutional Neural Networks Model-based Brain Tumor Detection in Brain MRI Images
University of Hyogo（兵库大学）；Vanderbilt University（范德堡大学）；BRAC University（BRAC大学）
多年来，借助磁共振成像（MRI）诊断脑肿瘤已经获得了巨大的突出地位，主要是在医学领域。仅借助于MR成像来检测和/或分割脑肿瘤是以巨大的时间和精力为代价实现的，并且需要来自参与人员的大量专业知识。这证实了建立自主的脑肿瘤诊断模型的必要性。我们的工作涉及实现深度卷积神经网络（DCNN），用于从MR图像诊断脑肿瘤。本文中使用的数据集由253张脑部MR图像组成，其中155张图像报告有肿瘤。我们的模型可以挑选出的MR图像与肿瘤的总体准确率为96%。在测试数据集中，该模型优于现有的诊断脑肿瘤的传统方法（精度= 0.93，灵敏度= 1.00，F1评分= 0.97）。此外，该模型的平均精确度-召回率得分为0.93，Cohen's Kappa为0.91，AUC为0.95。因此，所提出的模型可以帮助临床专家验证患者是否患有脑肿瘤，从而加快治疗过程。
2020-10-03 cs.CV cs.LG cs.NE
Segmentation of brain tumor on magnetic resonance imaging using a convolutional architecture
School of Biomedical Engineering（生物医学工程学院）；Universidad Autónoma de Ciudad Juárez（华雷斯自治大学）
大脑是控制认知过程和身体功能的复杂器官。大脑中的肿瘤是影响大脑正常功能和过程的加速细胞生长。MRI扫描提供了身体的详细图像，是诊断脑肿瘤最常见的测试之一。从磁共振成像中分割脑肿瘤的过程可以为诊断、治疗计划和结果预测提供有价值的指导。在这里，我们考虑使用深度学习架构进行肿瘤分割的问题。虽然所提出的架构是简单的，并且在计算上易于训练，但它能够达到0.95的$IoU$水平。
2020-03-17 cs.CV eess.IV
Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding
Department of Computer Science（计算机科学系）；Texas Tech University（德克萨斯理工大学）
针对脑肿瘤分割中解码器计算成本高的问题，提出EMCAD高效多尺度卷积注意力解码器，在BraTs2020数据集上获得最佳Dice 0.31，兼顾性能与效率。
2025-09-05 cs.AI cs.CV cs.LG
A deep learning approach for brain tumor detection using magnetic resonance imaging
Chulalongkorn University（朱拉隆功大学）；European University of Bangladesh（孟加拉国欧洲大学）；University of Liberal Arts Bangladesh（孟加拉国文科大学）
脑组织中异常细胞的生长导致脑肿瘤。脑肿瘤被认为是儿童和成人中最危险的疾病之一。它发展迅速，如果不适当治疗，患者的生存前景很渺茫。正确的治疗计划和精确的诊断对于提高患者的预期寿命至关重要。脑肿瘤的诊断主要使用磁共振成像（MRI）。作为基于卷积神经网络（CNN）的图示的一部分，已经提出了包含五个卷积层、五个最大池化层、平坦层和两个密集层的架构，用于从MRI图像检测脑肿瘤。该模型包括一个自动特征提取器，修改后的隐藏层结构，和激活功能。通过对多个测试用例的测试，该模型在较低的交叉熵率下获得了98.6%的准确率和97.8%的精确率。与相邻特征传播网络（AFPNet）、基于掩码区域的CNN（mask RCNN）、YOLOv 5和傅立叶CNN（FCNN）等方法相比，该模型在检测脑肿瘤方面具有更好的性能。
2022-10-25 cs.CV cs.LG eess.IV
Brain tumor multi classification and segmentation in MRI images using deep learning
Ahram Canadian University（艾赫拉姆加拿大大学）
本研究提出基于EfficientNetB1的分类模型和基于U-Net的分割模型，用于MRI图像中脑肿瘤的四分类与准确分割，实验表明其高准确率具有临床应用潜力。
2023-06-23 cs.CV cs.LG eess.IV
Multi-class Brain Tumor Segmentation using Graph Attention Network
Lakehead University（湖首大学）
磁共振成像（MRI）中的脑肿瘤分割在诊断放射学中起着重要作用。为了克服手动方法中的实际问题，对构建自动肿瘤分割算法有巨大的需求。这项工作介绍了一个有效的脑肿瘤总和模型，利用MRI和图形神经网络（GNNs）的进步。该模型将体积MRI表示为区域邻接图（RAG），并通过图形注意力网络（GAT）（GNN的变体）学习识别肿瘤类型。在两个基准数据集上进行的消融分析证明，与领先的解决方案相比，该模型可以产生有竞争力的结果。在BrTS2021验证数据集上，对于整个肿瘤、核心肿瘤和增强肿瘤分割，其平均骰子评分分别为0.91、0.86、0.79，第95百分位数（HD95）的平均Hausdorff距离分别为5.91、6.08和9.52 mm。平均而言，与基于GNN的基线模型相比，这些性能分别在骰子得分和HD95评估指标上> 6%和> 50%。
2023-02-11 cs.CV cs.LG eess.IV
Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet
University of Copenhagen（哥本哈根大学）
本文评估了多平面U-Net（MPUnet）在PED、MET和SSA三个脑肿瘤数据集上的分割性能，发现肿瘤核心分割精度较高，而水肿和增强肿瘤区域分割存在变异性，表明该方法仍需进一步改进并纳入更多MRI数据。
2024-01-12 cs.CV cs.LG eess.IV
A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI
Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院）
脑肿瘤的分析对于及时诊断和有效治疗具有重要意义。肿瘤分析是具有挑战性的，因为肿瘤形态，如大小，位置，纹理，和异形外观的医学图像。在这方面，提出了一种新的基于两阶段深度学习的框架来检测和分类磁共振图像（MRI）中的脑肿瘤。在第一阶段，提出了一种新的深度增强特征和集成分类器（DBF-EC）方案，以有效地检测来自健康个体的肿瘤MRI图像。深度提升的特征空间是通过定制的和性能良好的深度卷积神经网络（CNN）实现的，因此，被馈送到机器学习（ML）分类器的集合中。在第二阶段，提出了一种新的基于混合特征融合的脑肿瘤分类方法，该方法将动静态特征和ML分类器相结合，对不同的肿瘤类型进行分类。动态特征是从所提出的BRAIN-RENet CNN中提取的，它仔细地学习了各种肿瘤的异形和不一致的行为，而静态特征是使用HOG提取的。在两个标准基准数据集上验证了所提出的两阶段脑肿瘤分析框架的有效性;从Kaggle和Figshare收集的包含不同类型肿瘤的数据集，包括神经胶质瘤，脑膜瘤，垂体和正常图像。实验结果表明，提出的DBF-EC检测方案优于，并达到准确率（99.56%），精度（0.9991），召回率（0.9899），F1-Score（0.9945），MCC（0.9892），AUC-PR（0.9990）。在分类方案中，联合使用提出的BRAIN-RENet和HOG特征的深度特征融合，在不同数据集上的召回率（0.…
2022-02-11 cs.CV cs.LG eess.IV
Fully Automatic Brain Tumor Segmentation using a Normalized Gaussian Bayesian Classifier and 3D Fluid Vector Flow
University of Alberta（阿尔伯塔大学）
从磁共振图像（MRI）分割脑肿瘤是测量肿瘤对治疗的反应的重要任务。然而，自动分割非常具有挑战性。提出了一种基于归一化高斯贝叶斯分类和新的三维流体矢量流（FVF）算法的脑肿瘤自动分割方法。在我们的方法中，归一化高斯混合模型（NGMM）的建议，并用于健康的脑组织建模。利用高斯贝叶斯分类器从测试脑MR图像中获取高斯贝叶斯脑图（GBBM）。进一步处理GBBM以初始化3D FVF算法，该算法分割脑肿瘤。该算法有两个主要贡献。首先，我们提出了一个NGMM模型健康的大脑。其次，我们将我们的2D FVF算法扩展到3D空间，并将其用于脑肿瘤分割。所提出的方法是在一个公开的数据集上进行验证。
2019-05-01 cs.CV cs.LG cs.MM
Unified HT-CNNs Architecture: Transfer Learning for Segmenting Diverse Brain Tumors in MRI from Gliomas to Pediatric Tumors
Friedrich-Alexander-University Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；Menoufia University（梅努菲亚大学）
本文提出统一迁移学习架构HT-CNNs，通过集成混合Transformer与卷积神经网络并结合迁移学习，在多种脑肿瘤MRI分割任务上超越BraTS以往获胜方法，为医学图像分割及临床应用提供新方案。
2024-12-11 cs.CV cs.LG eess.IV
Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches
Iran University of Medical Sciences（伊朗医科大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
本研究针对脑肿瘤精准分类难题，结合TrAdaBoost方法增强BraTS2020数据集，构建融合ViT、CapsNet、ResNet-152、VGG16的多分类器框架，采用新型决策模板融合输出，引入额外数据集提升泛化性，实现高准确率的脑肿瘤图像分类，助力早期精准诊断。
2024-10-31 cs.AI cs.CV eess.IV
Detecting Glioma, Meningioma, and Pituitary Tumors, and Normal Brain Tissues based on Yolov11 and Yolov8 Deep Learning Models
Egypt University of Informatics（埃及信息大学）；Badya University（巴迪亚大学）；Fayoum University（法尤姆大学）
本文提出基于YoloV11和YoloV8深度学习模型及迁移学习微调的AI驱动方法，在CE-MRI Figshare数据集上实现胶质瘤、脑膜瘤、垂体瘤及正常脑组织的高精度四分类检测。
2025-03-31 cs.CV cs.LG eess.IV
Automatic Segmentation of Non-Tumor Tissues in Glioma MR Brain Images Using Deformable Registration with Partial Convolutional Networks
Shanghai United Imaging Intelligence Co. Ltd（上海联影智能医疗科技有限公司）；Southern Medical University（南方医科大学）
在脑肿瘤的诊断和手术规划中，肿瘤区域的分割和周围正常组织的准确分析是医生必须要做的。病理变异性通常使得难以将良好标记的正常图谱配准到这样的图像以及自动分割/标记周围的正常脑组织。在本文中，我们提出了一种新的配准方法，首先使用U-Net分割脑肿瘤，然后使用部分卷积网络模拟肿瘤区域内错过的正常组织。然后，将标准的正常脑图谱图像配准到这样的肿瘤去除图像上，以分割/标记正常脑组织。这样，我们的新方法大大减少了变形配准中病理变异的影响，并很好地分割了脑肿瘤周围的正常组织。在实验中，我们使用MICCAI BraTS 2018 T1肿瘤图像来评估所提出的算法。通过与直接配准算法的比较，结果表明，与周围正常脑组织相比，脑灰质的Dice系数有明显提高。
2020-07-10 cs.CV eess.IV
A Novel Framework for Brain Tumor Detection Based on Convolutional Variational Generative Models
Pharos University（法鲁斯大学）；American University in Cairo（开罗美国大学）
脑肿瘤检测可以决定生与死。最近，基于深度学习的脑肿瘤检测技术因其更高的性能而受到关注。然而，获得这种基于深度学习的系统的预期性能需要大量的分类图像来训练深度模型。获取这些数据通常是无聊的，耗时的，并且很容易暴露于人为错误，这阻碍了这种深度学习方法的利用。本文介绍了一种新的框架，脑肿瘤检测和分类。其基本思想是从一个小的类不平衡的收集数据集生成一个大的合成MRI图像数据集，反映了大脑MRI图像的典型模式。然后，将得到的数据集用于训练用于检测和分类的深度模型。具体来说，我们采用两种类型的深度模型。第一个模型是一个生成模型，以捕捉一组小类不平衡的脑MRI图像中的重要特征的分布。然后，通过使用该分布，生成模型可以为每个类别合成任意数量的脑MRI图像。因此，系统可以自动将小的不平衡数据集转换为较大的平衡数据集。第二个模型是使用大型平衡数据集训练的分类器，以检测MRI图像中的脑肿瘤。所提出的框架获得了96.88%的整体检测准确率，这突出了所提出的框架作为准确的低开销脑肿瘤检测系统的承诺。
2022-02-20 cs.CV cs.LG eess.IV
Improving 3D U-Net for Brain Tumor Segmentation by Utilizing Lesion Prior
University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；University of California, Irvine（加利福尼亚大学欧文分校）
我们提出了一种新的，简单而有效的方法来整合病变先验和三维U-网络，以改善脑肿瘤分割。首先，我们利用一组患者的真实脑肿瘤病变来生成不同类型病变的热图。这些热图用于创建包含有关脑肿瘤病变的先验信息的感兴趣体积（VOI）图。然后将VOI图与多模态MR图像集成，并输入到3D U-Net进行分割。在一个公共基准数据集上对所提出的方法进行了测试，实验结果表明，所提出的特征融合方法较基线方法有了一定的改进。此外，我们提出的方法也实现了竞争力的性能相比，国家的最先进的方法。
2020-02-20 cs.CV cs.LG eess.IV
CU-Net: Cascaded U-Net with Loss Weighted Sampling for Brain Tumor Segmentation
Xidian University（西安电子科技大学）；Weill Cornell Medical School, Cornell University（康奈尔大学威尔康奈尔医学院）
本文提出了一种新的级联U-网脑肿瘤分割。受脑肿瘤明显的层次结构的启发，我们设计了一个级联的深度网络框架，首先分割整个肿瘤，然后进一步分割肿瘤内部的子结构。考虑到级联结构带来的网络深度的增加会导致更深层精确定位信息的丢失，我们构造了许多跳跃连接来连接相同分辨率的特征，并将细节信息从浅层传递到更深层。然后，我们提出了一个损失加权采样（LWS）计划，以消除不平衡的数据在训练网络的问题。在BraTS 2017数据上的实验结果表明，我们的架构框架优于最先进的分割算法，特别是在分割灵敏度方面。
2019-07-17 cs.CV cs.LG eess.IV
Automatic brain tumor segmentation in 2D intra-operative ultrasound images using magnetic resonance imaging tumor annotations
Department of Health Research（健康研究系）；SINTEF Digital（SINTEF数字）；Department of Physics（物理系）；Norwegian University of Science and Technology (NTNU)（挪威科学与技术大学（NTNU））；Department of Circulation and Medical Imaging（循环与医学成像系）；St. Olavs hospital（圣奥拉夫医院）；Department of Neuromedicine and Movement Science（神经医学与运动科学系）
本文提出利用更易获取的MRI肿瘤标注，通过图像配准转移至iUS图像来训练nnU-Net模型，实现术中超声脑肿瘤自动分割，其效果与iUS标注训练的模型相当。
2025-08-15 cs.CV cs.LG eess.IV
Brain Tumors Classification for MR images based on Attention Guided Deep Learning Model
Beihang University（北京航空航天大学）；Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院）；Shanghai Jiao Tong University（上海交通大学）；Ruijin Hospital, Shanghai Jiao Tong University School of Medicine（上海交通大学医学院附属瑞金医院）
在脑肿瘤的临床诊断和治疗中，人工读片耗费了大量的精力和时间。近年来，基于深度学习的肿瘤自动分类技术进入人们的视野。脑肿瘤根据来源可分为原发性和继发性颅内肿瘤。然而，据我们所知，大多数关于脑肿瘤的现有研究仅限于原发性颅内肿瘤图像，无法对肿瘤来源进行分类。为了解决肿瘤源类型分类的任务，我们分析了现有技术，提出了一种注意力引导的深度卷积神经网络（CNN）模型。同时，本文提出的方法也有效地提高了分类的准确性有或没有肿瘤。对于脑MR数据集，我们的方法可以达到99.18%的平均准确率下的10倍交叉验证，用于识别肿瘤的存在或不存在，和83.38%的分类肿瘤的来源。实验结果表明，该方法与医学专家的方法是一致的。它可以帮助医生实现脑肿瘤的有效临床诊断。
2021-04-06 cs.CV eess.IV
Brain Tumor Classification by Cascaded Multiscale Multitask Learning Framework Based on Feature Aggregation
Isfahan University of Technology（伊斯法罕理工大学）；Seattle University（西雅图大学）；McMaster University（麦克马斯特大学）
MRI图像中的脑肿瘤分析是一个重要且具有挑战性的问题，因为误诊可能导致死亡。在早期阶段对脑肿瘤进行诊断和评估可以增加成功治疗的可能性。然而，肿瘤、形状和位置的复杂性和多样性使得它们的分割和分类变得复杂。在这方面，许多研究人员提出了脑肿瘤分割和分类方法。本文提出了一种方法，同时分割和分类的MRI图像中的脑肿瘤，使用一个框架，包括MRI图像增强和肿瘤区域检测。最后，提出了一种基于多任务学习方法的网络。主观和客观的结果表明，基于评价指标的分割和分类结果是更好的或相当于国家的最先进的。
2021-12-28 cs.CV eess.IV
Detection and Classification of Glioblastoma Brain Tumor
本文提出 UNet 和 Deeplabv3 两种深度学习模型用于胶质母细胞瘤脑肿瘤的检测与分割，实验表明两者均能准确分割，且 Deeplabv3 准确率更高但计算开销更大，为临床早期治疗提供了有效辅助方法。
2023-04-18 cs.CV cs.LG eess.IV
Brain Tumor Diagnosis and Classification via Pre-Trained Convolutional Neural Networks
Aimech Technologies Corp.（Aimech科技公司）；Air University（航空大学）
脑肿瘤是最具侵袭性的肿瘤，如果在后期诊断，可能会导致预期寿命降低。人工识别脑肿瘤是繁琐的，容易出错。误诊会导致错误的治疗，从而降低患者的生存机会。医学共振成像（MRI）是用于诊断脑肿瘤及其类型的常规方法。本文试图从诊断过程中消除人工过程，而使用机器学习。我们提出了使用预训练的卷积神经网络（CNN）进行脑肿瘤的诊断和分类。三种类型的肿瘤与一类非肿瘤MRI图像进行分类。已使用的网络有ResNet50、EfficientNetB1、EfficientNetB7、EfficientNetV2B1。EfficientNet由于其可扩展性而显示出有希望的结果。EfficientNetB1显示了最好的结果，训练和验证准确率分别为87.67%和89.55%。
2022-07-27 cs.CV eess.IV
A Two-Stage Cascade Model with Variational Autoencoders and Attention Gates for MRI Brain Tumor Segmentation
New York University（纽约大学）
MRI脑肿瘤的自动分割对于疾病的诊断、监测和治疗计划的制定具有重要意义。在本文中，我们提出了一个两阶段的编码器-解码器为基础的模型，脑肿瘤分区分割。在这两个阶段中使用变分自动编码器正则化来防止过拟合问题。第二阶段网络采用注意门，并使用由第一阶段输出形成的扩展数据集进行额外训练。在BraTS 2020验证数据集上，所提出的方法对于整个肿瘤、肿瘤核心和增强肿瘤分别实现了0.9041、0.8350和0.7958的平均Dice评分以及4.953、6.299和23.608的Hausdorff距离（95%）。BraTS 2020测试数据集上的相应结果分别为Dice评分0.8729、0.8357和0.8205，Hausdorff距离11.4288、19.9690和15.6711。该代码可在https://github.com/shu-hai/two-stage-VAE-Attention-gate-BraTS2020上公开获取。
2020-11-28 cs.CV cs.LG eess.IV
Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology
Institute of Clinical Epidemiology, Public Health, Health Economics, Medical Statistics and Informatics（临床流行病学、公共卫生、健康经济学、医学统计与信息学研究所）；Institute of Neuropathology and Neuromolecular Pathology（神经病理学与神经分子病理学研究所）
针对现有脑肿瘤分类方法无法识别训练未覆盖肿瘤类别的问题，提出融合层次聚类与对比学习的HGCD-BT方法，在多模态病理数据集上取得更优的分类精度与泛化性。
2025-11-17 cs.AI cs.CV cs.LG
Brain Tumor MRI Classification using a Novel Deep Residual and Regional CNN
Pakistan Institute of Engineering and Applied Sciences (PIEAS)（巴基斯坦工程与应用科学学院）；Ibadat International University（伊巴达特国际大学）；University of Engineering and Applied Science (UEAS)（工程与应用科学大学）
脑肿瘤分类对于临床分析和有效的治疗方案至关重要。深度学习模型可以帮助放射科医生准确有效地分析肿瘤，而无需人工干预。然而，脑肿瘤分析是具有挑战性的，因为它的复杂结构，纹理，大小，位置和外观。因此，开发了一种新的基于深度残差和区域的Res-BRNet卷积神经网络（CNN），用于有效的脑肿瘤（磁共振成像）MRI分类。开发的Res-BRNet在修改后的空间和剩余区块内以系统的顺序采用基于区域和边界的操作。此外，空间块提取同质性和边界定义的功能在抽象的水平。此外，在目标水平采用的残差块显著地学习不同类别的脑肿瘤的局部和全局纹理变化。开发的Res-BRNet的效率在标准数据集上进行评估;从Kaggle和Figshare收集，包含各种肿瘤类别，包括脑膜瘤、神经胶质瘤、垂体和健康图像。实验证明，所开发的Res-BRNet优于标准的CNN模型，并在具有挑战性的数据集上获得了优异的性能（准确率：98.22%，灵敏度：0.9811，F-score：0.9841，精度：0.9822）。此外，所提出的Res-BRNet的性能表明了基于医学图像的疾病分析的强大潜力。
2022-12-10 cs.CV cs.LG eess.IV
Tumor Location-weighted MRI-Report Contrastive Learning: A Framework for Improving the Explainability of Pediatric Brain Tumor Diagnosis
The Hospital for Sick Children（病童医院）；University of Toronto（多伦多大学）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）；University Hospital Augsburg（奥格斯堡大学医院）
针对卷积神经网络在脑肿瘤MRI诊断中可解释性不足的问题，提出整合肿瘤位置的MRI-放射报告对比学习框架，提升了儿童低级别胶质瘤基因标记分类的性能与可解释性。
2024-11-01 cs.CV cs.LG eess.IV
OpenSRH: optimizing brain tumor surgery using intraoperative stimulated Raman histology
University of Michigan（密歇根大学）；Invenio Imaging（Invenio成像公司）；New York University（纽约大学）
准确的术中诊断对于在脑肿瘤手术中提供安全有效的护理至关重要。我们的标准治疗诊断方法是时间、资源和劳动密集型的，这限制了获得最佳手术治疗的机会。为了解决这些局限性，我们提出了一种替代工作流程，将受激拉曼组织学（SRH）（一种快速光学成像方法）与基于深度学习的SRH图像自动解释相结合，用于术中脑肿瘤诊断和实时手术决策支持。在这里，我们介绍了OpenSRH，这是来自300多名脑肿瘤患者的临床SRH图像和1300多个独特的全切片光学图像的第一个公共数据集。OpenSRH包含最常见的脑肿瘤诊断数据、完整的病理注释、整个载玻片肿瘤分割、原始和处理后的光学成像数据，用于端到端模型开发和验证。我们提供了一个框架补丁为基础的整个幻灯片SRH分类和推理使用弱（即患者水平）的诊断标签。最后，我们对两个计算机视觉任务进行了基准测试：多类组织学脑肿瘤分类和基于块的对比表示学习。我们希望OpenSRH将促进快速光学成像和基于ML的实时手术决策支持的临床转化，以提高精准医学时代癌症手术的可及性、安全性和有效性。数据集访问、代码和基准测试可以在opensrh.mlins.org上获得。
2022-11-02 cs.CV cs.LG eess.IV
