Multi-channel MRI Embedding: An EffectiveStrategy for Enhancement of Human Brain WholeTumor Segmentation
在医学图像处理中，一个重要的任务就是对脑部肿瘤的整体分割。它有助于更快的临床评估和早期发现脑肿瘤，这对挽救患者生命的治疗程序至关重要。因为，脑肿瘤通常可以是恶性或良性的，如果它们在早期被发现。脑肿瘤是大脑中异常细胞的集合或团块。人类头骨非常严格地封闭了大脑，在这个受限制的地方内的任何生长都可能导致严重的健康问题。脑肿瘤的检测需要仔细和复杂的分析，以制定手术计划和治疗。大多数医生使用磁共振成像（MRI）来诊断此类肿瘤。已知使用MRI手动诊断肿瘤是耗时的;大约每个样本需要长达18小时。因此，肿瘤的自动分割成为解决这一问题的最佳方案。研究表明，该技术提供了更好的准确性，并且比手动分析更快，从而使患者在正确的时间接受治疗。我们的研究引入了一种称为多通道MRI嵌入的有效策略，以改善基于深度学习的肿瘤分割结果。对Brats-2019数据集的U-Net编码器-解码器（EnDec）模型的实验分析显示出显着的改进。嵌入策略超越了国家的最先进的方法，提高了2%，没有任何时间开销。
2020-09-13 cs.CV
Application Of Fuzzy System In Segmentation Of MRI Brain Tumor
图像分割在图像处理领域占有重要地位。当通常处理需要术前和术后决策以启动和加速恢复过程的医学图像时，它变得更加重要。由于肿瘤几何形状和强度模式的可变性，从磁共振图像（MRI）中分割3-D肿瘤结构是一个非常具有挑战性的问题。水平集进化结合了全局平滑性和拓扑变化的灵活性，与传统的统计分类和数学形态学相比具有显着的优势。具有恒定传播的水平集演化需要完全在肿瘤内部或外部初始化，并且可以通过弱或缺失的边界部分泄漏。用统计力代替常数传播项克服了这些限制，并导致收敛到稳定的解。使用呈现肿瘤的MR图像，根据对比前后差异图像和直方图的混合建模拟合来计算背景和肿瘤区域的概率。整个图像用于初始化水平集演化以分割肿瘤边界。
2010-05-24 cs.CV
From Healthy Scans to Annotated Tumors: A Tumor Fabrication Framework for 3D Brain MRI Synthesis
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）
本文提出了一种名为Tumor Fabrication的新型框架，通过无配对的3D脑肿瘤合成方法，利用健康图像和少量真实标注数据生成大量合成数据，以提升低数据环境下的肿瘤分割性能。
2025-11-23 cs.CV
Acquisition Time-Informed Breast Tumor Segmentation from Dynamic Contrast-Enhanced MRI
Yale University（耶鲁大学）
本文提出了一种利用成像时间信息提升乳腺DCE-MRI肿瘤分割性能的方法，通过FiLM层调节模型特征，提高分割精度和泛化能力。
2025-11-20 cs.CV
Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries
Concordia Institute for Information Systems Engineering, Concordia University（康考迪亚大学康考迪亚信息系统工程研究所）；University of Toronto（多伦多大学）
据官方统计，癌症被认为是人类死亡的第二大原因。在不同类型的癌症中，脑肿瘤由于其侵袭性、异质性和相对存活率低而被视为最致命的形式之一。确定脑肿瘤的类型对治疗选择和患者的生存有重要影响。以人为中心的诊断通常是容易出错和不可靠的，导致最近的兴趣激增，使用卷积神经网络（CNN）自动化这个过程。然而，CNN未能充分利用空间关系，这对肿瘤分类特别有害，因为肿瘤与其周围组织之间的关系是肿瘤类型的关键指标。在我们最近的工作中，我们结合了新开发的CapsNet来克服这个缺点。然而，CapsNet对各种图像背景高度敏感。本文件解决了这一差距。其主要贡献是使CapsNet能够进入肿瘤周围组织，而不会使其从主要目标上分心。因此，提出了一种改进的CapsNet架构用于脑肿瘤分类，该架构将肿瘤粗边界作为其管道内的额外输入，以增加CapsNet的焦点。所提出的方法明显优于其同行。
2018-11-01 cs.CV
A hybrid approach based segmentation technique for brain tumor in MRI Images
Madurai Kamaraj University（马杜赖卡马拉吉大学）
在医学图像处理中，图像的自动分割是肿瘤检测的关键，而人工或半自动分割技术通常需要较多的时间和知识。然而，这些缺点已经克服了自动分割仍然需要开发更合适的技术用于医学图像分割。因此，我们提出了基于混合方法的图像分割使用区域生长和阈值分割技术相结合的功能。接下来是预处理阶段，以通过磁共振成像（MRI）提供准确的脑肿瘤提取。如果肿瘤有空洞，区域生长分割算法不能显示，但所提出的混合分割技术可以实现和改善的结果。因此，该结果用于评估各种性能指标，如DICE，JACCARD相似性，准确性，灵敏度和特异性。这些相似性度量已被广泛用于评价与地面真理的每一个处理后的图像，其结果进行了比较和分析。
2016-03-08 cs.CV
Brain Tumor Classification from MRI Scans via Transfer Learning and Enhanced Feature Representation
Department of CSE, Netrokona University（计算机科学与工程系，Netrokona大学）；Department of CSE, The University of Rajshahi（计算机科学与工程系，拉贾沙希大学）；Department of Information Technology, Allen E. Paulson College of Engineering and Computing, Georgia Southern University（信息技术系，乔治亚南方大学）；Centre for Image and Vision Computing (CIVC), COE for Artificial Intelligence, Faculty of Artificial Intelligence and Engineering (FAIE), Multimedia University（图像与视觉计算中心（CIVC），人工智能学院，人工智能与工程学院，多媒体大学）
本文提出结合 ResNet50、GAP、线性投影与新型 Dense-Dropout 序列的脑肿瘤 MRI 分类框架，并构建经临床验证的 MMCBT 数据集，通过增强缓解类别不平衡。
2025-09-26 cs.CV
TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth
Technical University of Munich (TUM), Germany（慕尼黑技术大学（TUM））；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；AI for Image-Guided Diagnosis and Therapy（图像引导诊断与治疗的AI）；Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital, Munich, Germany（医疗与医学中的AI主任，慕尼黑技术大学及慕尼黑大学医院）
TumorFlow通过结合生物物理模型和生成模型，实现胶质瘤纵向MRI的合成，提供可解释的肿瘤生长估计和可控的合成数据生成。
2026-03-05 cs.CV
Generative Adversarial Synthesis and Deep Feature Discrimination of Brain Tumor MRI Images
King Fahd University of Petroleum and Minerals（国王法赫德石油矿物大学）；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（SDAIA-KFUPM人工智能联合研究中心）
提出基于DC-GAN的脑肿瘤MRI合成数据生成方法，并利用CNN分类器验证合成图像在下游分类任务中与真实图像具有相当的性能。
2025-11-03 cs.CV
Multimodal MRI brain tumor segmentation using random forests with features learned from fully convolutional neural network
University of Lincoln（林肯大学）
在本文中，我们提出了一种新的学习为基础的方法自动分割脑肿瘤的多模态MRI图像。机器学习的功能从全卷积神经网络（FCN）和手工设计的纹理特征被用来分类的MRI图像体素。具有逐像素预测的分数图被用作使用FCN从多模态MRI训练数据集学习的特征图。然后将学习到的特征应用于随机Forest，以将每个MRI图像体素分类为正常脑组织和肿瘤的不同部分。在BRATS 2013挑战数据集上评价了该方法。结果表明，随机森林分类器的应用程序，多模态MRI图像使用机器学习的功能的基础上FCN和手工设计的功能的基础上的纹理基元提供了有前途的分割。对于完整肿瘤、核心肿瘤和增强肿瘤，针对地面真实的自动脑肿瘤分割的Dice重叠度量分别为0.88、080和0.73。
2017-04-26 cs.CV cs.LG
Detection and Demarcation of Tumor using Vector Quantization in MRI images
SVKM’s NMIMS University（SVKM's NMIMS大学）；T.S.E.C.；V.E.S.I.T
将MRI图像分割成代表不同组织类型的均匀纹理区域通常是计算机辅助乳腺癌检测中有用的预处理步骤。这就是为什么我们提出了一种新的算法来检测乳腺癌图像中的癌症。在本文中，我们提出了分割使用矢量量化技术。在这里，我们使用林德Buzo-Gray算法（LBG）的MRI图像分割。最初，为MRI图像生成大小为128的码本。使用相同的LBG算法将这些码向量进一步聚类为8个簇。结果显示了这8幅图像。这种方法不会导致过度分割或分割不足。为了比较的目的，我们显示的结果分水岭分割和熵使用灰度共生矩阵随着这种方法。
2010-01-23 cs.CV
A Novel Confidence Induced Class Activation Mapping for MRI Brain Tumor Segmentation
National Tsing Hua University（国立清华大学）；University of Notre Dame（圣母大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出置信度诱导类激活映射Cfd-CAM，利用目标类别置信度计算特征图权重，以改进弱监督脑肿瘤分割，并在两个数据集上超越现有方法。
2023-10-30 cs.CV
Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification
Department of Computer Science and Artificial Intelligence（计算机科学与人工智能系）；Dongguk University（东国大学）
本研究提出双集成框架，结合预训练ViT的深度特征提取与优化ML分类器，通过特征级和分类器级双层集成，在两个脑肿瘤MRI数据集上超越现有方法，提升诊断准确性。
2025-06-14 cs.CV
3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of Science and Technology Beijing（北京科技大学）；Scoop Medical
脑肿瘤的分割在医学图像处理中占有举足轻重的地位。在这项工作中，我们的目标是分割脑MRI卷。3D卷积神经网络（CNN），如3D U-Net和V-Net，采用3D卷积来捕获相邻切片之间的相关性，已经取得了令人印象深刻的分割结果。然而，这些3D CNN架构由于多层3D卷积而具有高计算开销，这可能使得这些模型对于实际的大规模应用是禁止的。为此，我们提出了一种高效的3D CNN来实现实时的【形】密集体积分割。该网络利用由轻量级3D卷积网络集合组成的3D多光纤单元，以显着降低计算成本。此外，3D扩张卷积用于构建多尺度特征表示。在BraTS-2018挑战数据集上的大量实验结果表明，所提出的架构大大降低了计算成本，同时保持了脑肿瘤分割的高精度。源代码可以在https://github.com/China-LiuXiaopeng/BraTS-DMFNet上找到
2019-09-21 cs.CV
Enhancing Neuro-Oncology Through Self-Assessing Deep Learning Models for Brain Tumor Unified Model for MRI Segmentation
The Quarry Lane School（Quarry Lane 学校）
针对脑肿瘤分割深度学习模型临床应用的缺陷，本研究提出带不确定性感知通道的改进nnUNet及结合正常/肿瘤数据的统一模型，可同时输出高精度分割结果与不确定性图，辅助临床手术决策。
2025-11-16 cs.CV
Unified MRI Brain Image Translation via Hierarchical Tumor Structure Comparison
South China University of Technology（华南理工大学）；UTS Data Science Institute, University of Technology Sydney（悉尼科技大学UTS数据科学研究所）
提出HTSCGAN模型，通过层级肿瘤结构比较和多种损失函数，提高多模态MRI脑图像翻译质量，在BraTS2020/2021上表现优异。
2026-06-12 cs.CV
Fine-tuning Segment Anything for Real-Time Tumor Tracking in Cine-MRI
Univ Rennes 1（里昂大学）
在这项工作中，我们解决了TrackRAD 2025的挑战，实时的【形】肿瘤跟踪在电影MRI序列的胸部和腹部地区的强数据稀缺的约束。探索了两种互补策略：（i）使用IMPACT相似性度量的无监督配准和（ii）基于基础模型的分割，该分割利用SAM 2.1及其最近的变体，通过基于模板的交互。由于一秒的运行时间限制，最终选择了基于SAM的方法。最终配置使用SAM 2.1 b+，并从第一个注释切片中获得基于掩码的提示，仅在TrackRAD 2025的小标记子集上进行微调。训练被配置为使用1024 x1024个补丁（批量大小1），标准增强和平衡的Dice + IoU损失来最小化过拟合。所有模块（提示编码器、解码器、Hiera主干）都应用了较低的统一学习率（0.0001），以保持泛化，同时适应特定于注释器的风格。训练持续了300个epoch（在RTX A6000上约12小时，48 GB）。在所有解剖部位和MRI场强中始终应用相同的推断策略。考虑了测试时间的增加，但由于性能增益可忽略不计而最终放弃。根据微调后验证集上达到的最高骰子相似系数选择最终模型。在隐藏测试集上，该模型的Dice得分为0.8794，在TrackRAD 2025挑战中排名第6。这些结果突出了基础模型在MRI引导的放射治疗中用于精确和实时的【形】肿瘤跟踪的强大潜力。
2025-10-29 cs.CV
Lightweight Vision Transformer-Based U-Net for Brain Tumor Segmentation from MRI
IUBAT（国际伊斯兰大学孟加拉国分校）
提出一种轻量级ViT-UNet混合架构，以仅260万参数在MRI脑肿瘤分割中实现全局上下文建模，并在TCGA LGG数据集上以mIoU 0.8100和Dice 0.8446超越基线UNet。
2026-09-25 cs.CV
DINs: Deep Interactive Networks for Neurofibroma Segmentation in Neurofibromatosis Type 1 on Whole-Body MRI
Zhejiang University（浙江大学）；Massachusetts General Hospital（麻省总医院）；Zhejiang University of Technology（浙江工业大学）
1型神经纤维瘤病（NF1）是一种累及中枢和外周神经系统的常染色体显性遗传肿瘤易感综合征。神经纤维瘤的准确检测和分割对于评估肿瘤负荷和纵向肿瘤大小变化至关重要。自动卷积神经网络（CNN）是敏感和脆弱的肿瘤的解剖位置和不均匀的MRI表现。在这项研究中，我们提出了深度交互网络（DIN）来解决上述限制。用户交互引导模型识别复杂肿瘤并快速适应异质肿瘤。我们引入了一个简单但有效的指数距离变换（ExpDT），将用户交互转换为引导地图视为空间和外观先验。与目前流行的欧氏距离和测地线距离相比，ExpDT算法对不同尺寸的图像具有更好的鲁棒性，并保留了交互输入的分布。此外，为了增强与肿瘤相关的功能，我们设计了一个深度交互模块来将指南传播到更深的层。我们训练和评估的三个MRI数据集的NF 1患者的DIN。实验结果表明，与自动化方法和其他交互式方法相比，DSC的性能分别提高了44%和14%。我们还通过实验证明了与传统的交互式方法相比，DIN在减少用户负担方面的效率。我们的方法的源代码可在\url{https://github.com/Jarvis73/DINs}上获得。
2021-06-07 cs.CV
M-Net: MRI Brain Tumor Sequential Segmentation Network via Mesh-Cast
Capital Normal University（首都师范大学）；China University of Mining and Technology-Beijing（中国矿业大学（北京））
本文提出 M-Net 序列分割框架，通过 Mesh-Cast 机制和 TPS 训练策略建模 MRI 相邻切片的类时间空间关联，在 BraTS2019 与 BraTS2023 上全面优于现有方法。
2025-07-28 cs.CV
Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network
Vingroup Big Data Institute (VinBigdata)（越南 VinBigdata 大数据研究院）；Hanoi University of Science and Technology (HUST)（河内科技大学）；University of Engineering and Technology (UET), VNU（越南国立大学工程技术大学）
脑肿瘤分割在医学图像分析中起着至关重要的作用。在最近的研究中，深度卷积神经网络（DCNN）在处理肿瘤分割任务方面非常强大。在本文中，我们提出了一种新的训练方法，通过向网络添加额外的分类分支来增强分割结果。整个网络在多模式脑肿瘤分割挑战（BraTS）2020训练数据集上进行端到端训练。在BraTS的验证集上，增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分分别为78.43%、89.99%和84.22%。
2020-10-28 cs.CV eess.IV
Diffusion-Refined Segmentation and Vision-Language Interpretation for Pediatric Brain Tumor MRI
Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）；School of Medicine, Stanford University（斯坦福大学医学院）
提出两阶段框架，先用Swin-UNETR粗分割，再用条件扩散模型细化边界，最后结合多模态语言模型生成结构化报告，提升儿童脑肿瘤分割精度和可解释性。
2026-06-15 cs.CL cs.CV
Cross-modality (CT-MRI) prior augmented deep learning for robust lung tumor segmentation from small MR datasets
Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）
缺乏大型专家注释的MR数据集使得训练深度学习模型变得困难。因此，开发了一种跨模态（MR-CT）深度学习分割方法，该方法使用通过变换专家分割的CT图像产生的伪MR图像来增强训练数据。分析了28例非小细胞肺癌患者的81例MRI T2加权像。将CT转换为类似于T2 w MRI的伪MR图像的跨模态先验编码作为生成对抗深度学习模型进行学习。该模型增强了来自6个专家分割的T2 w MR患者扫描的训练数据，其中377个伪MRI来自非小细胞肺癌CT患者扫描，从癌症成像档案中获得。采用批量归一化实现的二维Unet被训练以分割来自T2 w MRI的肿瘤。该方法以（a）标准数据增强和两种最先进的跨模态伪MR增强以及（b）两种分割网络为基准。分割精度计算使用骰子相似系数（DSC），Hausdroff距离度量，和体积比。所提出的方法在伪MR图像和T2 w MR图像之间的强度分布中产生了最低的统计变异性，测量为0.069的Kullback-Leibler发散。该方法产生了最高的分割精度，DSC为0.75，测试数据集上的Hausdroff距离最低。这种方法产生了与专家高度相似的肿瘤生长估计（P = 0.37）。开发了一种新的深度学习MR分割，其通过利用学习的跨模态先验来增强训练，克服了从小数据集学习鲁棒模型的限制。结果表明，该方法的可行性和相应的改进国家的最先进的方法。
2019-02-27 cs.CV
Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction
Oslo University Hospital（奥斯陆大学医院）；Universitat Politècnica de València（瓦伦西亚理工大学）；Instituto Universitario de Tecnologías de la Información y Comunicaciones（信息技术与通信大学学院）
本文提出一种治疗感知的扩散概率模型，结合深度分割网络，利用纵向MRI和肿瘤分割图预测弥漫性胶质瘤在不同治疗下的未来生长及生成多参数MRI，为临床决策提供支持。
2025-01-22 cs.CV eess.IV
CoRe-BT: A Multimodal Radiology-Pathology-Text Benchmark for Robust Brain Tumor Typing
University of Washington（华盛顿大学）；University of Washington School of Medicine（华盛顿大学医学院）；Microsoft Health AI（微软健康人工智能）
CoRe-BT提出一个多模态基准，用于在缺失模态条件下提升脑肿瘤分类的鲁棒性，通过整合MRI、病理图像和报告，推动多模态学习与表示学习的发展。
2026-03-04 cs.CV
Learning Multi-Modal Brain Tumor Segmentation from Privileged Semi-Paired MRI Images with Curriculum Disentanglement Learning
South China University of Technology（华南理工大学）；Rochester Institute of Technology（罗切斯特理工学院）
由于在临床实践中难以获得多模态配对图像，最近的研究提出了用非配对图像训练脑肿瘤分割模型，并通过模态转换捕获互补信息。然而，这些模型不能充分利用来自不同模态的互补信息。因此，在这项工作中，我们提出了一种新的两步（模态内和模态间）课程分解学习框架，以有效地利用特权半配对图像，即仅在训练中可用的有限配对图像，用于脑肿瘤分割。具体来说，在第一步中，我们建议进行重建和分割与增强模态内风格一致的图像。在第二步中，该模型联合执行重建，无监督/有监督的翻译，和分割的非配对和配对的模态间图像。在这一步中，提出了内容一致性损失和监督翻译损失，以利用来自不同模态的互补信息。通过这两个步骤，我们的方法有效地提取模态特定的风格代码描述的衰减的组织特征和图像对比度，模态不变的内容代码包含解剖和功能信息的输入图像。三个脑肿瘤分割任务的实验表明，我们的模型优于竞争的分割模型的基础上不成对的图像。
2022-08-26 cs.CV
Lightweight MRI-Based Automated Segmentation of Pancreatic Cancer with Auto3DSeg
Duke University（杜克大学）；Duke University Medical Center（杜克大学医学中心）
本文针对小样本多序列 MRI 胰腺肿瘤分割难题，采用 Auto3DSeg 中的 SegResNet、ROI 聚焦、5 折交叉验证与 STAPLE 集成，在 PANTHER 两项任务中验证了自动勾画潜力及数据标准化需求。
2025-08-28 cs.CV
Robust Brain Tumor Segmentation with Incomplete MRI Modalities Using Hölder Divergence and Mutual Information-Enhanced Knowledge Transfer
MSU-BIT-SMBU Joint Research Center of Applied Mathematics, Shenzhen MSU-BIT University（深圳MSU-BIT大学应用数学联合研究中心）；Institute of Control Theory and Control Engineering, School of Automation, Beijing Institute of Technology（北京理工大学控制理论与控制工程研究所）；School of Mathematics and Statistics, Beijing Institute of Technology（北京理工大学数学与统计学学院）；Guangdong Laboratory of Artificial Intelligence and Digital Economy (SZ)（广东人工智能与数字经济实验室（深圳））
本文提出一种基于Hölder散度与互信息的单模态并行处理框架，通过动态调整网络参数和损失函数，在MRI模态缺失情况下实现鲁棒且高精度的脑肿瘤分割，并在BraTS 2018和2020数据集上验证了其优越性。
2025-07-02 cs.CV
Brain Tumor Detection in MRI Based on Federated Learning with YOLOv11
Virginia Tech（弗吉尼亚理工大学）；The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
针对医疗诊断中MRI脑肿瘤检测面临的数据隐私和高延迟问题，提出结合YOLOv11的联邦学习架构，在保护数据隐私的同时支持跨机构协作训练，实验表明该方法准确率显著优于传统方法。
2025-03-06 cs.CV cs.LG
Multi-region segmentation of bladder cancer structures in MRI with progressive dilated convolutional networks
ETS Montreal（蒙特利尔工程技术学院）；Fourth Military Medical University（第四军医大学）；Xidian Univeristy（西安电子科技大学）
膀胱壁和肿瘤区域的精确分割是无创识别肿瘤分期和分级的重要一步，这对膀胱癌（BC）患者的治疗决策和预后至关重要。然而，在磁共振图像（MRI）中自动描绘膀胱壁和肿瘤是一项具有挑战性的任务，这是由于重要的膀胱形状变化、尿液中强烈的强度不均匀性以及人群中非常高的变异性，特别是在肿瘤外观上。为了解决这些问题，我们建议使用深度全卷积神经网络。建议的网络包括扩张卷积，以增加接收场，而不会产生额外的成本，也不会降低其性能。此外，我们在每个卷积块中引入渐进式扩张，从而实现广泛的感受野，而无需大的扩张率。建议的网络进行评估3.0T T2加权MRI扫描从60例病理证实的BC患者。实验结果表明，该模型具有较高的准确性，内壁、外壁和肿瘤区域的平均Dice相似系数分别为0.98、0.84和0.69。这些结果代表了一个非常好的协议与参考轮廓和性能的增加相比，现有的方法。此外，对于整个3D体积，推断时间小于一秒，这比用于该应用的相关最先进方法快2-3个数量级。我们表明，CNN可以在MRI上对膀胱癌患者的膀胱壁和肿瘤进行精确分割。整个分割过程是全自动的，并且产生的结果与参考标准非常一致，证明了深度学习模型用于膀胱癌MRI图像的自动多区域分割的可行性。
2018-11-20 cs.CV
Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net
Strathmore University（斯特拉斯莫尔大学）
提出一种3D注意力U-Net，利用多模态MRI堆叠体积进行脑肿瘤多区域分割，在BraTS 2021数据集上提升准确性并降低计算资源消耗。
2023-05-10 cs.CV 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
An efficient FPGA implementation of MRI image filtering and tumor characterization using Xilinx system generator
PSG College of Technology（PSG理工学院）
本文提出了一种使用Xilinx System Generator（XSG）进行各种图像滤波算法和肿瘤表征的高效架构。该架构通过结合MATLAB、Simulink和XSG的图形用户界面提供了一种替代方案，并探讨了与硬件实现有关的重要方面。在SPARTAN-3E入门套件（XC 3S 500 E-FG 320）中实现的这种架构的性能超过了类似或更高资源架构的性能。该架构将目标设备上的可用资源减少了50%。
2012-01-12 cs.AR cs.CV
Automatic brain tumor grading from MRI data using convolutional neural networks and quality assessment
University of Minho（米尼奥大学）；University Hospital Inselspital（因塞尔施皮塔尔大学医院）；University of Bern（伯尔尼大学）
多形性胶质母细胞瘤是一种高度恶性、侵袭性强的脑肿瘤，患者预后不良。较低级别的胶质瘤侵袭性较低，但随着时间的推移，它们可以演变成更高级别的肿瘤。患者的管理和治疗可以根据肿瘤分级而有很大的不同，从肿瘤切除术后联合放疗和化疗到“等待和观察”的方法。因此，肿瘤分级对于适当的治疗计划和监测非常重要。肿瘤分级的金标准依赖于活检标本的组织病理学诊断。然而，该过程是侵入性的，耗时的，并且容易产生采样误差。考虑到这些缺点，从广泛使用的MRI协议自动肿瘤分级将是临床上重要的，作为一种加快治疗计划和评估肿瘤演变的方式。在本文中，我们提出使用卷积神经网络预测肿瘤分级直接从成像数据。通过这种方式，我们克服了对感兴趣区域的专家注释的需要。我们评估了两种预测方法：从整个大脑，并从一个自动定义的肿瘤区域。最后，我们采用可解释性方法作为质量保证阶段，以检查该方法是否使用指示肿瘤等级的图像区域进行分类。
2018-09-25 cs.AI cs.CV
Using U-Net Network for Efficient Brain Tumor Segmentation in MRI Images
University College Dublin（都柏林大学学院）；Université Paris-Est Créteil Val de Marne - Université Paris 12（巴黎东-马恩拉瓦莱大学（巴黎第十二大学））；ADAPT SFI Research Centre（ADAPT SFI研究中心）
磁共振成像（MRI）是最常用的非侵入式医学图像采集技术。脑肿瘤分割是在脑MRI扫描中通过算法识别肿瘤的过程。虽然在文献中已经提出了许多方法用于脑肿瘤分割，本文提出了一个轻量级的U-Net实现。除了提供MRI扫描的实时分割之外，所提出的架构不需要大量的数据来训练所提出的轻量级U-Net。此外，不需要额外的数据扩充步骤。轻量级的U-Net在BITE数据集上显示出非常有前途的结果，它实现了89%的平均交集（IoU），同时优于标准的基准算法。此外，这项工作证明了一个有效的使用三个透视平面，而不是原来的三维体积图像，简化脑肿瘤分割。
2022-11-03 cs.CV eess.IV q-bio.QM
Brain Tumor Segmentation in MRI Images with 3D U-Net and Contextual Transformer
University of Information Technology（信息科技大学）；Vietnam National University（越南国家大学）；College of Technology and Design, University of Economics Ho Chi Minh City（胡志明市经济大学技术与设计学院）；Ho Chi Minh City Open University（胡志明市开放大学）
本研究提出融合3D-UNet与Context Transformer的脑肿瘤分割方法，通过3D扩展CoT捕捉MRI上下文空间依赖，强化特征提取以精准获取肿瘤结构，在BraTS2019上三类肿瘤Dice系数均优于现有最优方法。
2024-07-11 cs.AI cs.CV
Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI
CSIRO（联邦科学与工业研究组织）
本研究系统评估了T2w、DCE-MRI、DWI及ADC图的不同序列组合对nnU-Net乳腺肿瘤分割的影响，发现DCE序列对FTV分割效果最好，而加入预测FTV可提升WTM分割性能，为mpMRI预测乳腺癌治疗反应提供了基础。
2024-06-12 cs.CV eess.IV
Optimized Weighted Voting System for Brain Tumor Classification Using MRI Images
Artificial Intelligence Department FPT University Ho Chi Minh City, Vietnam 0009-0002-4921-9823
本文提出一种结合深度学习和传统机器学习的加权集成学习方法，通过改进的加权投票机制和图像处理技术，提升脑肿瘤分类的准确性。
2026-03-30 cs.CV cs.LG
Towards Label-Free Brain Tumor Segmentation: Unsupervised Learning with Multimodal MRI
Universitat Politècnica de Catalunya (UPC)（西班牙巴塞罗那理工大学）；University College Dublin (UCD)（都柏林大学）；Dublin City University (DCU)（都柏林城市大学）；Insight Research Ireland Center For Data Analytics（爱尔兰数据分析研究中心）
提出仅用健康脑MRI训练的多模态视觉Transformer自编码器，通过重建误差图实现无标签脑肿瘤分割，在BraTS-GoAT 2025数据集上取得临床可行的定位效果。
2025-10-17 cs.AI cs.CV
Dense Error Map Estimation for MRI-Ultrasound Registration in Brain Tumor Surgery Using Swin UNETR
Concordia University（康考迪亚大学）
针对脑肿瘤手术中MRI与术中超声配准结果人工评估难的问题，提出基于Swin UNETR的深度学习框架，自动评估三维块级密集误差图，首次用真实临床数据验证性能。
2023-08-21 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
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
Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing
研究乳腺MRI肿瘤分类中深度学习模型因域转移和数据集来源偏差而跨机构失败的问题，通过构建类级混合训练集控制偏差，显著提升了WaveViT - Small和EfficientNet - B3在MAMA - MIA上的分类准确率和F1值。
2026-07-22 cs.CV cs.LG
Cross-modality Guidance-aided Multi-modal Learning with Dual Attention for MRI Brain Tumor Grading
The Chinese University of Hong Kong（香港中文大学）；Zhejiang Lab（之江实验室）；Stanford University School of Medicine（斯坦福大学医学院）
针对MRI脑肿瘤分级中单模态性能受限及融合噪声问题，提出基于ResNet Mix Convolution和双注意力的跨模态引导辅助多模态学习方法，利用主模态引导辅助模态以有效利用互补信息并抑制噪声。
2024-01-17 cs.AI cs.CV
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 Comparison of Two Human Brain Tumor Segmentation Methods for MRI Data
最常见的原发性脑肿瘤是神经胶质瘤，从大脑支持细胞进化而来。对于临床随访，术前肿瘤体积的评估是必不可少的。通过手动分割其轮廓对肿瘤体积进行体积评估是一个耗时的过程，可以在计算机分割方法的帮助下克服。在这方面的贡献，世界卫生组织（WHO）的IV级胶质瘤分割在人脑中的两种方法进行了比较，使用磁共振成像（MRI）患者的数据，从临床常规。一种方法使用球囊膨胀力，并且依赖于与造影剂钆的使用相结合的高强度肿瘤边界的检测。另一种方法是建立一个有向图和加权图，并进行最小割，以获得最佳分割结果。肿瘤边界的真实情况-用于评估27例病例的方法-由具有多年胶质瘤切除经验的神经外科医生手动提取。使用Dice相似系数（DSC）进行比较，这是一种测量不同分割结果的空间重叠的方法。
2011-03-10 cs.CV physics.med-ph
Category Guided Attention Network for Brain Tumor Segmentation in MRI
Scoop Medical（斯库普医疗）
目的：磁共振成像（MRI）已广泛应用于脑部疾病的分析和诊断。准确、自动的脑肿瘤分割对于放射治疗至关重要。然而，肿瘤区域的低组织对比度使其成为一个具有挑战性的task.Approach：我们提出了一种新的分割网络命名为类别引导注意力U-网（CGA U-网）。在该模型中，我们设计了一个基于注意力机制的监督注意力模块（SAM），它可以在不引入太多计算开销的情况下捕获更准确和稳定的特征映射中的长程依赖。此外，我们提出了一个类内更新的方法来重建特征图聚合像素的同一类别。主要结果：在BraTS 2019数据集上的实验结果表明，该方法在分割性能和计算复杂度方面都优于最先进的算法。重要性：CGA U-Net通过SAM模块可以有效地捕获MRI图像中的全局语义信息，同时大大降低了计算成本。代码可在https://github.com/delugewalker/CGA-U-Net上获得。
2022-03-29 cs.CV eess.IV
Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain Tumor Segmentation in MRI scans
Massachusetts General Hospital（麻省总医院）；Harvard University（哈佛大学）；General Electric Healthcare（通用电气医疗集团）；Indian Institute of Science（印度科学学院）
胶质瘤是最常见的脑肿瘤之一，分为高级别和低级别胶质瘤。肿瘤核心、强化区等区域的分割对判断肿瘤的严重程度和预后有重要作用。在这里，我们已经开发了一个多阈值模型的基础上注意力的U-Net的磁共振成像（MRI）中的肿瘤的各个区域的识别。我们提出了一种多路径分割，并建立了三个独立的模型，为不同的兴趣区域。所提出的模型在训练数据集上分别实现了增强肿瘤、整个肿瘤和肿瘤核心的平均Dice系数为0.59、0.72和0.61。同一模型在验证数据集上给出的平均Dice系数为0.57、0.73和0.61，在测试数据集上给出的平均Dice系数为0.59、0.72和0.57。
2021-01-29 cs.AI cs.CV eess.IV
Is it Possible to Predict MGMT Promoter Methylation from Brain Tumor MRI Scans using Deep Learning Models?
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
胶质母细胞瘤是一种常见的脑恶性肿瘤，往往发生在老年人，几乎总是致命的。作为大多数癌症类型的标准治疗，如果肿瘤中称为MGMT启动子的特定基因序列被甲基化，则可以提高化疗的有效性。然而，为了识别MGMT启动子的状态，传统的方法是进行活检进行遗传分析，这既耗时又费力。最近的一些出版物提出了MGMT启动子状态和肿瘤MRI扫描之间的联系，因此建议使用深度学习模型来实现这一目的。因此，在这项工作中，我们使用最广泛的数据集之一BraTS 2021来研究使用深度学习解决方案的潜力，包括2D和3D CNN模型和Vision Transformers。在对模型的表现进行了彻底的分析后，我们得出结论，MRI扫描和MGMT启动子的状态之间似乎没有联系。
2022-02-26 cs.CV 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
Deep Radiomics for Brain Tumor Detection and Classification from Multi-Sequence MRI
Indian Statistical Institute（印度统计研究所）；University of Calcutta（加尔各答大学）；University of Genova（热那亚大学）
胶质瘤占恶性原发性脑肿瘤的80%，通常分为HGG和LGG。LGG肿瘤的侵袭性较低，与HGG相比生长速度较慢，并且对治疗有反应。肿瘤活检对于脑肿瘤患者具有挑战性，非侵入性成像技术如磁共振成像（MRI）已被广泛用于诊断脑肿瘤。因此，基于MRI数据检测和预测肿瘤等级的自动化系统对于在增强智能的框架中协助医生变得必要。在本文中，我们深入研究了Deep ConvNets使用多序列MR图像对脑肿瘤进行分类的能力。我们提出了新的ConvNet模型，这些模型是从头开始训练的，在MRI贴片，切片和多平面体积切片上。接下来，通过对最后几层进行微调，应用在ImageNet数据集上训练的两个现有ConvNets模型（VGGNet和ResNet）来研究迁移学习对任务的适用性。LOPO测试和对holdout数据集的测试用于评估ConvNets的性能。结果表明，在多平面体积数据集上训练模型的所有情况下，所提出的ConvNets都实现了更好的准确性。与传统的模型不同，它获得了95%的测试准确率为低/高级别胶质瘤分类问题。对于具有/不具有1 p/19 q共缺失的LGG的分类，产生97%的分数，而无需对特征的提取和选择进行任何额外的努力。我们通过可视化中间层输出，研究了不同层中自学习内核/过滤器的特性。我们还将结果与最先进的方法进行了比较，证明ConvNets的分级性能最大提高了7%，1 p/19 q共缺失状态的预测…
2019-03-21 cs.CV eess.IV
Transfer Learning and Explainable AI for Brain Tumor Classification: A Study Using MRI Data from Bangladesh
Ahsanullah University of Science and Technology（阿沙努拉科学与技术大学）
针对孟加拉国医疗资源受限下的MRI脑肿瘤诊断难题，该研究利用VGG16、VGG19、ResNet50迁移学习模型分类胶质瘤、脑膜瘤等，并结合Grad-CAM与Grad-CAM++提升可解释性，其中VGG16准确率达99.17%。
2025-06-08 cs.CV eess.IV
An L2-Normalized Spatial Attention Network For Accurate And Fast Classification Of Brain Tumors In 2D T1-Weighted CE-MRI Images
Arizona State University（亚利桑那州立大学）；Dublin City University（都柏林城市大学）
提出一种用于2D T1加权CE-MRI脑肿瘤分类的快速准确网络，通过引入l2归一化空间注意力机制作为正则化器防止过拟合，在基线网络上实现了1.79个百分点的性能提升，超越现有轻量级方法。
2023-08-01 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
