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
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
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
Impact of Spherical Coordinates Transformation Pre-processing in Deep Convolution Neural Networks for Brain Tumor Segmentation and Survival Prediction
Macquarie University（麦考瑞大学）；Australian Institute of Health Innovation（澳大利亚健康创新研究院）
预处理和数据增强在深度卷积神经网络（DCNN）中起着重要作用。尽管有多种方法旨在实现数据集的标准化和增强，但我们在这里提出了一种新方法，旨在为DCNN提供球面空间变换的输入数据，与标准笛卡尔空间图像和体积相比，该方法可以更好地促进特征学习。在这项工作中，球坐标变换已被用作预处理方法，与正常MRI体积结合使用，提高了脑肿瘤分割（BraTS）挑战2020数据集上脑肿瘤分割和患者总生存期（OS）预测的准确性。然后，应用LesionEncoder框架从DCNN模型中自动提取特征，在验证数据集上实现了0.586的OS预测准确度，这是BraTS 2020排行榜上的最佳结果之一。
2020-11-23 cs.CV cs.LG eess.IV
Brain Tumor Segmentation and Survival Prediction
Ahmedabad University（艾哈迈达巴德大学）；Pandit Deendayal Petroleum University（潘迪特·迪恩达亚尔石油大学）
本文演示了在BraTS 2019数据集上使用全卷积神经网络进行胶质瘤分割。编码器部分采用三层深度编解码器结构，并采用密集连接，将信息从粗层传播到深层。该架构用于分别训练三个肿瘤子组件。子成分训练权重用整个肿瘤权重初始化以获得肿瘤在脑内的定位。最后，将三个分割结果进行融合，得到完整的肿瘤分割。对于整个肿瘤、肿瘤核心和增强肿瘤，具有焦点丢失实现的训练数据集的Dice相似性分别为0.92、0.90和0.79。放射组学特征以及分割结果和年龄用于预测患者的总体生存期，使用随机森林回归因子将患者的生存期分类为长期、中期和短期生存期类别。对于切除状态为大体全切除的扫描的训练数据集，报告了55.4%的分类准确率。
2019-09-20 cs.CV cs.LG eess.IV
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
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 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
Robust Semantic Segmentation of Brain Tumor Regions from 3D MRIs
NVIDIA（英伟达）
多模态脑肿瘤分割挑战（BraTS）汇集了研究人员，以改进3D MRI脑肿瘤分割的自动化方法。肿瘤分割是疾病诊断和治疗计划所必需的基本视觉任务之一。前几年的获奖方法都是基于深度学习的，这要归功于现代GPU的出现，它允许快速优化深度卷积神经网络架构。在这项工作中，我们探索了3D语义分割的最佳实践，包括传统的编码器-解码器架构，以及组合损失函数，试图进一步提高分割精度。我们在BraTS 2019挑战赛上评估了该方法。
2020-01-06 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
Multi-Resolution 3D CNN for MRI Brain Tumor Segmentation and Survival Prediction
University of Tehran（德黑兰大学）；University of Nottingham（诺丁汉大学）
在这项研究中，提出了一种自动三维（3D）深度分割方法，用于在3D术前MRI扫描中检测胶质瘤。然后，提出了一种基于随机森林的生存预测分类算法。其目的是分割神经胶质瘤区域，并为其不同的子区域，即坏死和非增强肿瘤核心，肿瘤周围水肿和增强肿瘤产生分割标签。分割任务的拟议深度架构包含两个并行的流线，具有两种不同的分辨率。一个深度卷积神经网络用于学习输入数据的局部特征，而另一个深度卷积神经网络用于对整个图像进行全局观察。被认为是互补的，每个流的输出，然后合并，以提供一个集成完整的学习输入图像。该网络以整个图像作为输入，而不是基于块的方法，以考虑整个体积的语义特征。该算法在BraTS 2019上进行了训练，其中包括335个训练案例，并使用盲测试方法在验证数据集中的127个未知案例上进行了验证。还在包含166例病例的BraTS 2019挑战测试数据集上对所提出的方法进行了评价。结果表明，所提出的方法提供了有前途的分割以及生存预测。对于整个肿瘤、核心肿瘤和增强肿瘤，验证集的自动脑肿瘤分割的平均Dice重叠度量分别为0.84、0.74和0.71。挑战测试数据集的相应结果分别为0.82、0.72和0.70。生存预测任务的总体准确率为%52的验证和%49的测试数据集的建议模型。
2019-11-19 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
Brain Tumor Segmentation and Survival Prediction using 3D Attention UNet
NUS Graduate School for Integrative Sciences and Engineering, NUS（新加坡国立大学综合科学与工程研究生院）；National University of Singapore（新加坡国立大学）；NIT, Tiruchirappalli（蒂鲁吉拉伯利国立理工学院）；University of Moratuwa（莫拉图瓦大学）；Punjab Engineering College（旁遮普工程学院）
在这项工作中，我们开发了一个注意力卷积神经网络（CNN）分割脑肿瘤的磁共振图像（MRI）。此外，我们使用各种机器学习方法预测存活率。我们采用了3D UNet架构，并将通道和空间注意力与解码器网络相结合来执行分割。对于生存预测，我们提取了一些新的放射性特征的基础上的几何形状，位置，分割肿瘤的形状，并将它们与临床信息相结合，以估计每个病人的生存时间。我们还进行了广泛的实验，以显示每个特征对总生存期（OS）预测的影响。实验结果推断，放射组学特征，如直方图，位置和形状的坏死区域和临床特征，如年龄是最关键的参数来估计OS。
2021-04-02 cs.CV eess.IV
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
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
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
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
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
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
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
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
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
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
Brain Tumor Classification Using Deep Learning Technique -- A Comparison between Cropped, Uncropped, and Segmented Lesion Images with Different Sizes
Yarmouk University（雅穆克大学）；Hashemite University（哈希米特大学）
深度学习是近年来机器学习领域的最新发展趋势，受到了研究者的广泛关注。作为一种经过验证的强大机器学习工具，深度学习被广泛用于解决各种需要极高精度和灵敏度的复杂问题，特别是在医疗领域。一般来说，脑肿瘤是最常见和最具侵袭性的恶性肿瘤疾病之一，如果诊断为较高级别，则会导致预期寿命非常短。在此基础上，脑肿瘤分级是检测肿瘤后，为了实现有效的治疗计划的一个非常关键的步骤。在本文中，我们使用卷积神经网络（CNN），这是一种最广泛使用的深度学习架构，用于对3064个T1加权对比增强脑MR图像的数据集进行分类，将脑肿瘤分为三类（胶质瘤、脑膜瘤和垂体瘤）。所提出的CNN分类器是一个功能强大的工具，其总体性能为98.93%的准确性和98.18%的灵敏度的裁剪病变，而未裁剪病变的结果是99%的准确性和98.52%的灵敏度和分割病变图像的结果是97.62%的准确性和97.40%的灵敏度。
2020-01-23 cs.CV cs.LG eess.IV
Detection of brain tumors using machine learning algorithms
Universidad Autónoma de Chihuahua（奇瓦瓦自治大学）
开发了一种能够处理NMR图像的算法，用于使用机器学习技术进行分析，以检测脑肿瘤的存在。
2022-01-12 cs.LG eess.IV
Learning to Learn Unlearned Feature for Brain Tumor Segmentation
Hodoo AI（Hodoo人工智能）；Seoul National University（首尔国立大学）
提出基于主动学习和元学习的微调算法，仅需少量样本即可在高级别胶质瘤到脑转移瘤的迁移学习中实现领域参数平衡，防止遗忘原始任务。
2023-05-13 cs.CV cs.LG eess.IV
A Biophysically-Conditioned Generative Framework for 3D Brain Tumor MRI Synthesis
Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Imperial College London（伦敦帝国学院）
本文提出了一种基于生物物理条件的生成框架，用于生成高保真的3D脑肿瘤MRI，通过条件生成模型实现肿瘤合成和健康组织修复，实验结果显示在PSNR指标上取得良好效果。
2025-12-08 cs.CV cs.LG eess.IV
Experimenting with Knowledge Distillation techniques for performing Brain Tumor Segmentation
Courant Institute of Mathematical Sciences（库朗数学科学研究所）；New York University（纽约大学）；Vilcek Institute of Graduate Biomedical Sciences（维尔切克生物医学研究生科学研究所）
多模态磁共振成像（MRI）是分析人脑的重要方法。它通常用于诊断疾病和做出有关治疗的有价值的决定-例如，检查人脑中的神经胶质瘤。随着严重程度和检测程度的不同，正确诊断胶质瘤是现代医学中最艰巨和最重要的分析任务之一。我们的主要重点是使用不同的方法在多模态MRI扫描中执行脑肿瘤的分割。现在，用于训练的数据的数量，可变性一直被认为是开发优秀模型的关键。因此，我们也想尝试知识蒸馏技术。
2021-05-24 cs.CV cs.LG eess.IV
AdaMSS: Adaptive Multi-Modality Segmentation-to-Survival Learning for Survival Outcome Prediction from PET/CT Images
The University of Sydney（悉尼大学）；Shanghai Jiao Tong University（上海交通大学）；Fudan University Shanghai Cancer Center（复旦大学附属肿瘤医院）；Fudan University（复旦大学）；Royal Prince Alfred Hospital（皇家阿尔弗雷德亲王医院）
本文提出AdaMSS模型，通过两阶段的分割到生存学习策略和数据驱动的多模态融合方法，从PET/CT图像中自适应提取肿瘤及肿瘤外预后信息，显著提升了生存预测性能。
2024-10-16 cs.CV cs.LG eess.IV
Neural Gas Network Image Features and Segmentation for Brain Tumor Detection Using Magnetic Resonance Imaging Data
Pars AI Company（帕尔斯人工智能公司）
准确检测脑肿瘤可以挽救许多生命，提高这种二进制分类的准确性，即使只有百分之几也具有很高的重要性。神经气体网络（NGN）是一种快速、无监督的算法，可用于数据聚类、图像模式识别和图像分割。在这项研究中，我们使用元启发式萤火虫算法（FA）的图像对比度增强作为预处理和NGN权重的特征提取和分割的磁共振成像（MRI）数据的两个脑肿瘤数据集从Kaggle平台。此外，通过支持向量机（SVM）分类算法进行肿瘤分类，并与深度学习技术以及训练和测试阶段的其他特征进行比较。此外，NGN肿瘤分割通过著名的性能指标进行评估，如准确性，F-测量，Jaccard等，与地面真实数据进行比较，并与传统的分割技术进行比较。与其他方法相比，该方法在肿瘤分类和分割两个任务中都是快速和精确的。该方法的分类准确率为95.14%，分割准确率为0.977.
2023-01-28 cs.CV cs.LG eess.IV
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
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
Brain Tumor Detection using Convolutional Neural Networks with Skip Connections
University of Southern California（南加州大学）
该研究面向MRI脑肿瘤良恶性分类，比较加宽、加深及跳跃连接等CNN优化方式，证明合理组合可超越基线模型。
2023-07-14 cs.CV cs.LG eess.IV
Brain Tumor Segmentation and Survival Prediction using Automatic Hard mining in 3D CNN Architecture
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Intel Technology India Pvt. Ltd（英特尔技术印度私人有限公司）
我们利用3-D全卷积神经网络（CNN）从多模态磁共振图像（MRI）中分割胶质瘤及其成分。该架构使用密集连接模式来减少权重和剩余连接的数量，并使用通过使用BraTS 2018数据集训练该模型获得的权重进行初始化。硬挖掘是在训练过程中进行的，通过增加骰子相似性系数（DSC）阈值来选择困难的情况下，随着时代的增加，分割任务的困难情况的训练。在BraTS 2020验证数据（n = 125）中，该架构实现了肿瘤核心、整个肿瘤和活性肿瘤切片分别为0.744、0.876、0.714。在测试数据集上，我们得到肿瘤核心和活性肿瘤的DSC增加约7%。在DSC方面，我们在BraTS 2020测试数据上的网络性能分别为0.775，0.815和0.85，用于增强肿瘤，肿瘤核心和整个肿瘤。使用常规机器学习从使用生成的分割掩模获得的放射组学特征确定受试者的总体存活。我们的方法已经达到了0.448和0.452的精度验证和测试数据集。
2021-01-05 cs.CV eess.IV
3D U-Net Based Brain Tumor Segmentation and Survival Days Prediction
University of Electronic Science and Technology of China（电子科技大学）；New Jersey Institute of Technology（新泽西理工学院）
在过去的几年里，深度学习在许多应用场景中流行，其中之一就是医学图像处理。脑肿瘤的诊断和治疗需要对脑肿瘤进行准确可靠的分割作为前提。然而，这样的工作通常需要脑外科医生大量的时间。计算机视觉技术可以让外科医生从繁琐的标记过程中解脱出来。在本文中，基于3D U-net的深度学习模型已经在BraTS 2019竞赛中的脑肿瘤分割任务的大脑归一化和修补策略的帮助下进行了训练。在验证数据集上，增强肿瘤、肿瘤核心和整个肿瘤的Dice系数分别为0.737、0.807和0.894。测试数据集上的这三个值分别为0.778、0.798和0.852。此外，从预测的肿瘤标记中提取包括肿瘤大小与脑大小的比率和肿瘤表面的面积以及受试者的年龄在内的数值特征，并将其用于总生存天数预测任务。验证数据集的准确度为0.448，最终测试数据集的准确度为0.551。
2020-03-31 cs.CV 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
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
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
Segment Anything Model for Brain Tumor Segmentation
Zhengzhou University（郑州大学）
本研究针对脑肿瘤精准分割的临床需求，评估了零样本图像分割基础模型SAM在脑肿瘤分割任务上的性能，发现未微调的SAM与当前SOTA模型仍有差距。
2024-09-11 cs.CV eess.IV
Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation
University of Minho（米尼奥大学）
神经胶质瘤是最具攻击性和致命性的脑肿瘤之一。本文详细介绍了用于磁共振图像脑肿瘤分割的拟议深度神经网络架构。该架构由三个深层聚合神经网络的级联组成，其中每个阶段使用特征图和前一阶段的概率以及MRI通道作为输入来阐述响应。神经成像数据是公开可用的脑肿瘤分割（BraTS）2020挑战数据集的一部分，我们在BraTS 2020验证和测试集中评估了我们的提案。在测试集中，实验结果实现了0.8858、0.8297和0.7900的Dice评分，对于整个肿瘤、核心肿瘤和增强肿瘤，Hausdorff距离分别为5.32 mm、22.32 mm和20.44 mm。
2021-01-02 cs.CV eess.IV
Brain Tumor Classification Using Medial Residual Encoder Layers
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）
根据世界卫生组织（WHO）的数据，癌症是全球第二大死亡原因，仅在2018年就造成950多万人死亡。每四个癌症死亡中就有一个是脑瘤。因此，准确和及时地诊断脑肿瘤将导致更有效的治疗。医生仅通过脑外科的活检手术对脑肿瘤进行分类，在诊断肿瘤类型后，为患者考虑治疗计划。基于机器学习算法的自动系统可以让医生通过非侵入性措施诊断脑肿瘤。迄今为止，已经提出了几种图像分类方法来帮助诊断和治疗。对于这项工作中的脑肿瘤分类，我们提供了一个基于深度学习的系统，包含编码器块。这些块被馈送以最大池化后的特征作为残差学习。我们的方法通过使用有限的医学图像数据集提高磁共振成像（MRI）图像中的肿瘤分类准确性，显示出有希望的结果。该模型在由3064张MR图像组成的数据集上的实验评估显示了95.98%的准确率，这比以前在该数据库上的研究要好。
2021-12-09 cs.CV eess.IV
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
A Joint Graph and Image Convolution Network for Automatic Brain Tumor Segmentation
Brown University（布朗大学）；Brown Alpert Medical School（布朗大学阿尔珀特医学院）
我们提出了一个联合图卷积-图像卷积神经网络，作为我们提交给脑肿瘤分割（BraTS）2021挑战的文件。我们将每个大脑建模为由不同图像区域组成的图，该图最初由图神经网络（GNN）分割。随后，通过简单（体素）卷积神经网络（CNN）进一步细化由GNN识别的肿瘤体积，其产生最终分割。这种方法通过图形表示捕获全局大脑特征交互，并通过使用卷积滤波器捕获局部图像细节。我们发现GNN组件本身可以有效地识别和分割脑肿瘤。CNN的加入进一步提高了模型的中位数性能，在所有评估的指标中提高了2%。在验证集上，我们的联合GNN-CNN模型在整个肿瘤、核心肿瘤和增强肿瘤上分别实现了0.89、0.81、0.73的平均Dice评分和6.8、12.6、28.2 mm的平均Hausdorff距离（第95百分位数）。
2022-07-30 cs.CV cs.LG eess.IV
HI-Net: Hyperdense Inception 3D UNet for Brain Tumor Segmentation
Shenzhen University（深圳大学）；Huazhong University of Science and Technology（华中科技大学）
脑肿瘤分割任务旨在使用多模型MRI图像将组织分类为整个肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）类。脑肿瘤的定量分析对于临床决策至关重要。虽然手动分割是繁琐的，耗时的，主观的，这个任务是在同一时间非常具有挑战性的自动分割方法。由于强大的学习能力，卷积神经网络（CNN），主要是全卷积网络，已经显示出很有前途的脑肿瘤分割。本文通过提出高密度初始3D UNet（HI-Net）进一步提高了脑肿瘤分割的性能，该网络通过在剩余初始块中堆叠3D加权卷积层的因式分解来捕获多尺度信息。我们在分解卷积层之间使用超密集连接，以在特征可重用性的帮助下提取更多的上下文信息。我们使用骰子损失函数来处理类不平衡。我们在多模态脑肿瘤分割挑战（BRATS）2020测试数据集上验证了所提出的架构。在BRATS 2020测试集上的初步结果表明，通过我们提出的方法，ET，WT和TC的骰子（DSC）得分分别为0.79457，0.87494和0.83712。
2020-12-12 cs.CV eess.IV
