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
How can spherical CNNs benefit ML-based diffusion MRI parameter estimation?
University College London（伦敦大学学院）；Kagenova Limited（Kagenova有限公司）
本文证明了球形卷积神经网络（S-CNN）在从扩散MRI（dMRI）中估计组织微结构的标量参数方面优于传统的全连接网络（FCN）。这些微结构参数对于识别病理和量化其程度是有价值的。然而，目前的临床实践通常获取仅由6个弥散加权图像（DWI）组成的dMRI数据，限制了估计的微结构指数的准确性和精度。机器学习（ML）已经被提出来解决这一挑战。然而，现有的基于ML的方法对不同的dMRI梯度采样方案不鲁棒，它们也不是旋转等变的。抽样方案缺乏鲁棒性，需要为每个方案训练一个新的网络，使来自多个来源的数据分析复杂化。缺乏旋转等方差的一个可能的后果是训练数据集必须包含不同范围的微观结构取向。在这里，我们展示了球形CNN代表了一种引人注目的替代方案，它对新的采样方案具有鲁棒性，并提供旋转等方差。我们表明，后者可以用来减少所需的训练数据点的数量。
2022-08-16 cs.CV cs.LG eess.IV
Harnessing spatial MRI normalization: patch individual filter layers for CNNs
Humboldt Universität Berlin（柏林洪堡大学）；Freie Universität Berlin（柏林自由大学）；Charité - Universitätsmedizin Berlin（柏林夏里特医学院）
基于磁共振成像（MRI）的神经影像学研究通常采用严格的预处理形式。使用线性和非线性变换将图像空间归一化到标准模板。因此，可以假设位置（x，y，height，width）处的块在整个数据集中包含相同的大脑区域。大多数使用卷积神经网络（CNN）对大脑MRI进行的分析都忽略了与自然图像的这种区别。在这里，我们提出了一种新的层类型，称为补丁个体过滤器（PIF）层，它在本地训练更高级别的过滤器，因为我们假设更抽象的特征在空间归一化后是局部特定的。我们评估PIF层的三个不同的任务，即性别分类以及阿尔茨海默病（AD）或多发性硬化症（MS）检测。我们证明了使用PIF层的CNN在几个，特别是低样本量设置中优于其同行。
2019-11-14 cs.CV
Is Texture Predictive for Age and Sex in Brain MRI?
Imperial College London（帝国理工学院）
深度学习为许多医学图像分析任务奠定了基础，在这些任务中，神经网络通常被设计为具有较大的感受野，以包含长空间依赖性。最近的工作表明，大的感受野并不总是自然图像上的计算机视觉任务所必需的。我们探讨这是否转化为某些医学成像任务，如年龄和性别预测从T1加权脑MRI扫描。
2019-07-25 cs.CV eess.IV
Brain Anatomy Prior Modeling to Forecast Clinical Progression of Cognitive Impairment with Structural MRI
针对标注数据稀缺问题，提出脑解剖先验建模（BAPM）框架，利用无标签公开MRI预训练共享编码器提取解剖先验，并在小规模目标数据上微调，有效提升了认知障碍进展预测、图像重建与组织分割性能。
2023-06-26 cs.CV eess.IV
Brain MRI Segmentation using Rule-Based Hybrid Approach
University of Central Florida（中佛罗里达大学）；Kyungpook National University（庆北国立大学）
医学图像分割是图像处理的重要组成部分，对于分析大体解剖结构、定位疾病和规划外科手术具有重要作用。脑磁共振成像（MRI）图像的分割对于准确诊断具有重要意义.然而，脑MRI的精确和准确分割是一项具有挑战性的任务。在这里，我们提出了一个有效的框架分割脑MR图像。为此，采用Gabor变换方法对脑MRI图像进行特征提取。然后，通过使用四个不同的分类器对这些特征进行分类，即，增量监督神经网络（ISNN）、K最近邻（KNN）、概率神经网络（PNN）和支持向量机（SVM）。这些分类器的性能进行了研究，在不同的脑MRI图像和这些分类器的性能的变化，观察不同的脑组织。因此，我们提出了一种基于规则的混合方法分割脑MRI。实验结果表明，这些分类器的性能各不相同，每个组织的MRI和建议的基于规则的混合方法表现出更好的分割脑MRI组织。
2019-02-12 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
Improving cross-domain brain tissue segmentation in fetal MRI with synthetic data
Lausanne University Hospital（洛桑大学医院）；University of Lausanne (UNIL)（洛桑大学）；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）；King’s College London（伦敦国王学院）；FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）
本文提出FetalSynthSeg域随机化方法，通过生成合成数据解决胎儿脑MRI分割中的域偏移问题，实验证明其在跨域和低场数据上表现优异。
2024-03-22 cs.CV cs.LG eess.IV
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
Leveraging 3D Information in Unsupervised Brain MRI Segmentation
Pixyl；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立高等物理、数学与信息学院）；Inserm（法国国家健康与医学研究院）；Grenoble Institut Neurosciences（格勒诺布尔神经科学研究所）
大脑异常的自动分割是具有挑战性的，因为它们从一种病理到另一种病理变化很大。目前的方法是有监督的，需要为每种病理学提供大量注释图像，这是一项艰巨的任务。为了解决解剖变异性，提出了无监督异常检测（UAD）方法，将异常检测为使用变分自动编码器（VAE）学习的健康模型的离群值。以前的UAD工作采用了2D方法，这意味着MRI被处理为独立切片的集合。然而，它没有充分利用MRI中包含的空间信息。在这里，我们建议以3D方式执行UAD并比较2D和3D VAE。作为一个侧面的贡献，我们提出了一个新的损失函数，证明了一个强大的训练。使用健康大脑MRI的多中心数据集进行学习，并对白质高强度和肿瘤病变进行分割性能估计。实验证明了3D方法的兴趣，优于他们的2D同行。
2021-01-26 cs.CV cs.LG eess.IV
A Review on Automated Brain Tumor Detection and Segmentation from MRI of Brain
University of Calcutta（加尔各答大学）；West Bengal University of Technology（西孟加拉技术大学）
从磁共振成像（MRI）数据分割肿瘤是由医学专家执行的重要但耗时的手动任务。自动化这个过程是一项具有挑战性的任务，因为不同患者之间肿瘤组织外观的高度多样性，并且在许多情况下与正常组织相似。MRI是一种先进的医学成像技术，可提供有关人体软组织解剖结构的丰富信息。存在不同的脑肿瘤检测和分割方法来从MRI图像中检测和分割脑肿瘤。这些检测和分割的方法进行了审查，重点放在启发这些方法的优点和缺点的脑肿瘤检测和分割。还描述了MRI图像检测和分割在不同程序中的使用。本文就脑肿瘤MRI图像的分割方法进行了综述。
2013-12-16 cs.CV
Fetal-BET: Brain Extraction Tool for Fetal MRI
Northeastern University（东北大学）；Harvard Medical School（哈佛医学院）
针对胎儿MRI脑提取缺乏大规模标注数据和跨序列准确方法的问题，本文构建约72,000张多序列、多扫描仪且含病理样本的数据集，并提出融合U-Net、注意力与多对比度学习的Fetal-BET。
2023-11-13 cs.CV eess.IV
Improved Diagnosis of Tibiofemoral Cartilage Defects on MRI Images Using Deep Learning
Brigham and Women's Hospital（布莱根妇女医院）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）
背景资料：MRI是软骨成像的首选方式;然而，其诊断性能是可变的，并且显著低于金标准诊断膝关节镜检查。近年来，深度学习已被用于自动解释医学图像，以提高诊断准确性和速度。目的：本研究的主要目的是评估应用于解释膝关节MRI图像的深度学习是否可用于准确识别软骨缺损。研究方法：我们分析了接受膝关节MRI评估并随后接受膝关节镜手术的患者的数据（207例软骨缺损，90例无软骨缺损）。将患者的关节镜检查结果与术前MRI图像进行比较，以验证是否存在孤立的胫股软骨缺损。我们开发了三个卷积神经网络（CNN）来分析MRI图像，并实现了图像特定的显着性图来可视化CNN的决策过程。为了将CNN的性能与人类解释进行比较，将相同的测试数据集图像提供给经验丰富的骨科医生和骨科住院医生。结果如下：显着性图表明，CNN在决策过程中学会了关注MRI图像上胫股关节软骨的临床相关区域。一个CNN比骨科医生实现了更高的性能，CNN做出了两个更准确的诊断。所有CNN都胜过骨科住院医师。结论：CNN可用于增强MRI在识别孤立性胫股软骨缺损方面的诊断性能，并可能在未来的某些情况下取代诊断性膝关节镜检查。
2020-11-30 cs.CV cs.LG
Isointense infant brain MRI segmentation with a dilated convolutional neural network
Eindhoven University of Technology（埃因霍温理工大学）
由于白质和灰质之间的对比有限，因此在6个月大时进行脑MRI定量分析是困难的。在这项研究中，我们使用扩张的三平面卷积神经网络结合非扩张的3D卷积神经网络分割婴儿脑MR图像中的白质，灰质和脑脊液，如MICCAI 6个月婴儿脑MRI分割的大挑战所提供的。
2017-08-09 cs.CV
Advancing Brain Tumor Detection: A Thorough Investigation of CNNs, Clustering, and SoftMax Classification in the Analysis of MRI Images
University of South Dakota（南达科他大学）；University of Tennessee（田纳西大学）；New Jersey City University（新泽西城市大学）；Lamar University（拉马尔大学）；Gannon University（甘农大学）
本研究深入探究了基于MRI图像的CNN脑肿瘤检测方法，结合聚类特征提取和SoftMax分类，在测试数据上取得99.52%的最高准确率，为医学图像深度学习分析提供了有效工具。
2023-10-26 cs.CV cs.LG eess.IV
Feasibility of Federated Learning from Client Databases with Different Brain Diseases and MRI Modalities
University of Oxford（牛津大学）；University of Cambridge（剑桥大学）；Imperial College London（伦敦帝国学院）；University of Birmingham（伯明翰大学）
本文首次证明联邦学习可在不同脑疾病和MRI模态的分布式客户端数据上训练单一3D分割模型，通过覆盖全模态输入通道、随机模态丢弃和特征归一化实现跨疾病跨模态分割。
2024-11-19 cs.CV cs.LG eess.IV
AutoRG-Brain: Grounded Report Generation for Brain MRI
University of Science and Technology of China（中国科学技术大学）；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Sixth People’s Hospital Affiliated to Shanghai Jiao Tong University（上海交通大学附属第六人民医院）
针对放射科医生繁重工作量易致错的问题，提出首个具备像素级视觉线索定位的脑部MRI报告生成系统AutoRG-Brain，并发布配套数据集RadGenome-Brain MRI，临床证明其能提升初级医生撰写水平。
2024-07-30 cs.CV eess.IV q-bio.NC
RegionFM: Interpretable Region-Based Brain MRI Classification Using Foundation Model Embeddings
L3S Research Center（L3S研究中心）
研究针对脑MRI基础模型预测难解释问题，提出RegionFM框架，将解剖分割与基础模型嵌入结合，通过划分区域、编码嵌入及构建模型组合，用于认知障碍分类评估，在保持性能同时使解释与临床推理更好对齐。
2026-10-01 cs.CV cs.LG
Brain Cancer Survival Prediction on Treatment-na ive MRI using Deep Anchor Attention Learning with Vision Transformer
Stony Brook University（石溪大学）
基于放射组学的基于图像的脑癌预测模型量化了来自磁共振成像（MRI）的放射学表型。然而，由于采集和预处理管道的可变性，这些特征难以再现。尽管有肿瘤内表型异质性的证据，但使用此类方法相对未探索MRI扫描内不同切片之间的空间多样性。在这项工作中，我们提出了一个深锚注意力聚合策略与Vision Transformer预测脑癌患者的生存风险。提出了一种深度锚点注意力学习（DAAL）算法，用于为具有可训练距离测量的切片级表示分配不同的权重。我们在N = 326个MRI上评估了我们的方法。我们的结果优于注意力多实例学习为基础的技术。DAAL强调了关键切片的重要性，并证实了临床直觉，即切片间空间多样性可以反映疾病的严重程度，并与结果有关。
2022-02-03 cs.CV eess.IV
Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs
Stanford University（斯坦福大学）；University of Missouri（密苏里大学）；Missouri Institute of Mental Health（密苏里精神卫生研究所）；Weill Cornell Medicine（威尔康奈尔医学院）；SRI International（SRI国际研究所）
本研究提出元数据条件生成模型BrainSynth合成高质量3D脑部MRI，通过新流程量化解剖合理性，发现超半数脑区解剖准确且皮层合理性随几何复杂度变化，可提升CNN识别加速衰老效应的训练效果。
2023-10-07 cs.CV eess.IV
BrainNext: A General-Purpose Self-Supervised Foundation Model for Brain MRI Analysis
研究提出BrainNext通用自监督基础模型用于脑MRI分析，结合MAE预训练与三维双向xLSTM-UNet架构，从大量未标记数据学习，经微调用于下游任务，在FOMO 2025评估中表现出色，证明其可转移性和作为基础模型的潜力。
2026-07-21 cs.AI 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
Self-supervised iRegNet for the Registration of Longitudinal Brain MRI of Diffuse Glioma Patients
Reutlingen University（罗伊特林根大学）；Menoufia University（梅努菲亚大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
由于组织外观变化，包含病理的患者特定脑磁共振成像（MRI）扫描的可靠和准确配准具有挑战性。本文描述了我们对2022年脑肿瘤序列配准挑战（BraTS-Reg 2022）的纵向脑MRI任务配准的贡献。我们开发了一种增强的基于无监督学习的方法，该方法扩展了iRegNet。特别是，结合基于无监督学习的范例以及对网络管道的几个小修改，使增强的iRegNet方法能够实现可观的结果。实验结果表明，增强的自监督模型能够将训练集的初始平均中值配准绝对误差（MAE）从8.20（7.62）mm提高到最低值3.51（3.50），同时实现验证集的MAE为2.93（1.63）mm。通过在变形配准前后叠加前后MRI对，对本研究进行了额外的定性确认。在MICCAI BraTS-Reg 2022挑战的测试阶段，所提出的方法获得了第5名。复制我们的BrTS-Reg提交结果的Docker镜像将公开提供。
2022-11-20 cs.CV cs.LG eess.IV
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
CAS-Net: Conditional Atlas Generation and Brain Segmentation for Fetal MRI
Imperial College London（伦敦帝国学院）；King’s College London（伦敦国王学院）；FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）；Technical University of Munich（慕尼黑工业大学）
胎儿磁共振成像（MRI）用于产前诊断和评估早期大脑发育。不同脑组织的精确分割是几个脑分析任务中的重要步骤，例如皮层表面重建和组织厚度测量。然而，胎儿MRI扫描容易出现运动伪影，这会影响手动和自动分割技术的正确性。在本文中，我们提出了一种新的网络结构，可以同时生成条件图谱和预测脑组织分割，称为CAS-Net。条件图谱提供了解剖先验，可以约束分割连接，尽管强度值的异质性所造成的运动或部分体积效应。所提出的方法进行了培训和评估的253名受试者从开发人类连接组计划（dHCP）。实验结果表明，该方法可以生成边界清晰、形状变化小的条件性年龄图谱。它还分割了胎儿MRI的多类别脑组织，对于选定的9个组织标签，具有高的整体Dice相似系数（DSC）$85.2\%$。
2022-05-17 cs.CV eess.IV
Brain Age Estimation Using LSTM on Children's Brain MRI
Boston Children's Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）
基于儿童脑MRI的脑年龄预测是脑健康和脑发育分析的重要生物标志物。在本文中，我们认为三维脑MRI体积作为一个序列的二维图像，并提出了一个新的框架，使用递归神经网络的脑年龄估计。所提出的方法被命名为2D-ResNet 18+长短期记忆（LSTM），它由四个部分组成：用于二维图像特征提取的2D ResNet 18，用于序列特征约简的池化层，LSTM层和最终回归层。我们将所提出的方法应用于公共多站点NIH-PD数据集，并在第二个多站点数据集上评估泛化，这表明所提出的2D-ResNet 18 +LSTM方法比传统的基于3D的神经网络提供了更好的结果。
2020-02-20 cs.CV
BrainDINO: A Brain MRI Foundation Model for Generalizable Clinical Representation Learning
Department of Radiation Oncology and Winship Cancer Institute, Emory University（放射肿瘤科和Winship癌症研究所，埃默里大学）；Department of Radiation and Cellular Oncology, The University of Chicago（放射肿瘤学与细胞肿瘤学部，芝加哥大学）；Department of Electrical and Computer Engineering, Georgia Institute of Technology（电气与计算机工程系，佐治亚理工学院）；Department of Biomedical Engineering, Georgia Institute of Technology（生物医学工程系，佐治亚理工学院）；Department of Biomedical Informatics, Emory University（生物医学信息学系，埃默里大学）；Department of Medical Physics, Memorial Sloan Kettering Cancer Center（医学物理系，纪念斯隆凯特琳癌症中心）
提出BrainDINO，一种基于自蒸馏的基础模型，在约660万张未标记轴向切片上训练，通过冻结编码器加轻量任务头，在多种脑MRI任务上达到或超越基线，尤其在小样本场景下优势显著。
2026-06-12 cs.AI cs.CV cs.LG
3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医学技术与智能系统研究所）；jung diagnostics GmbH（jung diagnostics 有限公司）
目的.脑磁共振成像（MRI）对于神经系统疾病的诊断至关重要。最近，已经提出了用于无监督异常检测（UAD）的深度学习方法，用于分析大脑MRI。这些方法依赖于健康的大脑MRI，并且与监督式深度学习相比，消除了对逐像素注释数据的需求。虽然已经提出了各种各样的UAD方法，但这些方法大多是2D的，并且仅从MRI切片学习，而忽略了大脑病变本质上是3D的，并且MRI体积的空间背景仍然未被利用。方法.我们调查是否使用增加的空间上下文，通过使用MRI卷结合空间擦除导致改进的无监督异常分割性能相比，从切片学习。我们评估和比较2D变分自动编码器（VAE），他们的3D对应，提出了3D输入擦除，并系统地研究了数据集的大小对性能的影响。结果使用两个公开可用的分割数据集进行评估，3D VAE优于其2D对应物，突出了体积背景的优势。此外，我们的3D擦除方法允许进一步的性能改进。我们最好的3D VAE与输入擦除导致平均DICE得分为31.40%，而2D VAE为25.76%。结论.我们提出了结合3D擦除的脑MRI中UAD的3D深度学习方法，并证明了3D方法在异常分割方面明显优于2D方法。此外，我们的空间擦除方法允许进一步的性能改进，并减少了对大数据集的要求。
2021-09-14 cs.CV eess.IV
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
Multi-modal brain MRI synthesis based on SwinUNETR
School of Integrated Circuits and Electronics, Beijing Institute of Technology, Beijing, China（集成电路与电子学院，北京理工大学，北京，中国）
本文提出将融合Swin Transformer与CNN的SwinUNETR架构用于脑MRI缺失模态合成，实验表明其在图像质量、解剖一致性和诊断价值上均有显著提升。
2025-06-03 cs.CV eess.IV
A Convolutional-based Model for Early Prediction of Alzheimer's based on the Dementia Stage in the MRI Brain Images
School of Information Technology（信息技术学院）；University of Cincinnati（辛辛那提大学）
老年痴呆症是一种脑部退化性疾病。是成年人痴呆症的主要原因，并逐渐破坏大脑记忆。尽管阿尔茨海默病目前还无法治愈，但早期诊断将有助于减轻疾病的严重程度。因此，阿尔茨海默氏症的早期诊断可能有助于减少或阻止疾病的进展。在本文中，我们提出了一个基于深度卷积神经网络的学习模型，用于根据磁共振成像（MRI）图像来检测阿尔茨海默病的早期发作，以确定成人痴呆症的阶段。
2023-02-15 cs.CV cs.LG
Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks
University of Kerbala（卡尔巴拉大学）
阿尔茨海默病（AD）是当今世界面临的最常见的公共卫生问题之一。这种疾病的患病率很高，主要发生在老年人中，伴有记忆力丧失和认知能力下降。AD检测是一项具有挑战性的任务，许多作者已经开发了许多利用神经成像和其他临床数据的计算机化自动诊断系统。MRI扫描提供了高强度的可见特征，使这些扫描成为最广泛使用的脑成像技术。近年来，深度学习在医学图像分析方面取得了领先的成功。但是，将深度学习技术应用于大脑MRI分类的研究相对较少。本文探讨了在大脑MRI图像和分割图像上评估的几种深度学习架构的构建。分割图像背后的思想研究了图像分割步骤对深度学习分类的影响。图像处理提供了一个由增强MRI扫描的预处理和由分割脑组织的分割方法组成的后处理组成的流水线。结果表明，处理后的图像在四种不同的架构中实现了AD与CN（认知正常）的二进制分类的更好的准确性。ResNet架构在其他架构中的预测准确率最高（原始大脑图像为90.83%，处理后的图像为93.50%）。
2022-03-31 cs.CV eess.IV physics.med-ph
Large-scale modality-invariant foundation models for brain MRI analysis: Application to lesion segmentation
本文提出了一种大规模模态不变基础模型，用于提升脑MRI中病变分割的性能，通过自监督学习预训练并保留细粒度模态特定特征。
2026-01-14 cs.AI cs.CV cs.LG
Investigating the Role of Bilateral Symmetry for Inpainting Brain MRI
University of Sussex（萨塞克斯大学）
本研究探究脑MRI修复中修复结构与受试者特异性条件信息的统计关系，通过分析掩蔽对侧结构时的修复结果分布阐明模型信息来源及半球对称性重要性，实验验证部分结构受对称性影响显著。
2025-04-14 cs.CV cs.LG
Analyzing Deep Learning Based Brain Tumor Segmentation with Missing MRI Modalities
Beijing-Dublin International College（北京-都柏林国际学院）；University College Dublin（都柏林大学）
本技术报告对现有的基于深度学习（DL）的脑肿瘤分割方法进行了比较分析，其中缺少MRI模态。评估的方法包括对抗性协同训练网络（ACN）以及mmGAN和DeepMedic的组合。更稳定和易于使用的mmGAN版本也在GitHub存储库中开源。使用BraTS2018数据集，这项工作证明了最先进的ACN表现更好，特别是当T1c缺失时。而mmGAN和DeepMedic的简单组合在仅缺少一种MRI模态时也显示出强大的潜力。此外，这项工作开始与未来的研究方向与缺失的MRI模式的脑肿瘤分割的讨论。
2022-08-06 cs.CV
Substituting Gadolinium in Brain MRI Using DeepContrast
Columbia University（哥伦比亚大学）；Columbia University Irving Medical Center（哥伦比亚大学欧文医学中心）；Zuckerman Institute（扎克曼研究所）
脑血容量（CBV）是氧代谢的血流动力学相关指标，反映了脑的活动和功能。使用稳态钆增强MRI技术可以生成高分辨率CBV图。这种技术需要静脉注射外源性钆基造影剂（GBCA），最近的研究表明，GBCA可以在频繁使用后在大脑中积累。我们假设，内源性的对比度可能存在于最传统和最常见的结构MRI中，可能会消除对外源性对比度的需求。在这里，我们通过在小鼠中开发和优化深度学习算法来测试这一假设，我们称之为DeepContrast。我们发现DeepContrast在映射正常脑组织的CBV和增强胶质母细胞瘤方面与外源性GBCA表现相同。总之，这些研究验证了我们的假设，即深度学习方法可能会取代大脑MRI中对GBCA的需求。
2020-01-15 cs.CV eess.IV q-bio.QM
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-modal analysis of genetically-related subjects using SIFT descriptors in brain MRI
LIVIA, École de technologie supérieure (ÉTS)（高等技术学院图像与视频分析实验室）；Inria Paris（法国国家信息与自动化研究所巴黎中心）；Sorbonne Universités, UPMC Univ Paris 06（索邦大学，巴黎第六大学）；Inserm（法国国家健康与医学研究院）；CNRS（法国国家科学研究中心）；Institut du cerveau et la moelle (ICM)（脑与脊髓研究所）
到目前为止，指纹识别研究的重点是从单模态MRI数据中识别特征，这些数据可以捕获大脑结构，功能或白质微结构方面的个体特征。然而，由于缺乏一个框架来比较多种模式，基于多模式数据的研究仍然难以捉摸。本文提出了一种多模态分析的遗传相关的主题，比较和对比的信息提供的各种MRI模式。该框架将MRI扫描表示为SIFT特征包，并在最近邻图中使用这些特征来测量主题相似性。使用T1/T2加权MRI和扩散MRI数据的861人类连接组项目的主题的实验表明，所提出的相似性度量和遗传接近度之间有很强的联系。
2017-09-18 cs.CV q-bio.NC q-bio.QM
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
The University of California San Francisco Brain Metastases Stereotactic Radiosurgery (UCSF-BMSR) MRI Dataset
University of California San Francisco（加州大学旧金山分校）；University of California, San Diego（加州大学圣地亚哥分校）；University of Pennsylvania（宾夕法尼亚大学）；Duke University（杜克大学）
本文介绍了UCSF-BMSR数据集，这是一个包含412名患者560个脑MRI及5136个脑转移瘤专家标注的公开多模态临床数据集，旨在推动脑转移瘤的AI应用研究。
2024-05-31 cs.CV eess.IV
Deep Learning in Medical Image Classification from MRI-based Brain Tumor Images
Ira A. Fulton Schools of Engineering（伊拉·A·富尔顿工程学院）；Arizona State University（亚利桑那州立大学）；University of California, Berkeley（加州大学伯克利分校）
本文基于MRI脑肿瘤图像，提出包含MobileNet-BT新模型在内的五种深度学习模型，对胶质瘤、垂体瘤、脑膜瘤及无肿瘤四类图像进行分类预测，以提升早期检测准确性。
2024-08-01 cs.CV
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
Domain Aware Multi-Task Pretraining of 3D Swin Transformer for T1-weighted Brain MRI
Sungkyunkwan University（成均馆大学）；Institute for Basic Science（基础科学研究院）；Gwanju Institute of Science and Technology（光州科学技术院）
本文提出领域感知多任务预训练方法，结合脑解剖形态学与3D对比学习预训练3D Swin Transformer，在阿尔茨海默病、帕金森病分类及年龄预测任务上超越现有监督与自监督方法。
2024-10-01 cs.CV eess.IV
Unsupervised Deep Learning for Bayesian Brain MRI Segmentation
Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Harvard Medical School（哈佛医学院麻省总医院Martinos生物医学影像中心）；Massachusetts Institute of Technology（麻省理工学院）；Cornell University（康奈尔大学）；University College London（伦敦大学学院）
概率图谱先验通常用于导出自适应和鲁棒的脑MRI分割算法。广泛使用的神经图像分析管道严重依赖于这些技术，这些技术通常在计算上是昂贵的。相比之下，最近出现了一种利用深度学习来实现在测试时计算效率高的分割工具的方法。然而，这些策略中的大多数依赖于从手动注释的图像中学习。因此，这些有监督的深度学习方法对训练数据集中的强度分布敏感。为了为新的图像数据集开发基于深度学习的分割模型（例如，不同的对比度），通常需要创建新的标记训练数据集，这可能非常昂贵，或者依赖于次优的自适应或增强方法。在本文中，我们提出了一种替代策略，将传统的基于概率图谱的分割与深度学习相结合，使人们能够训练新MRI扫描的分割模型，而无需任何手动分割图像。我们的实验包括数千个脑MRI扫描，并证明所提出的方法实现了良好的准确性，为不同的MRI对比度的脑MRI分割任务，在GPU上的测试时间仅需约15秒。该代码可在http://voxelmorph.mit.edu上免费获得。
2019-07-23 cs.CV eess.IV
SynthBA: Reliable Brain Age Estimation Across Multiple MRI Sequences and Resolutions
Dept. of Math and Computer Science（数学与计算机科学系）；Department of Neuroinflammation（神经炎症系）；School of Physics, Engineering and CS（物理、工程与计算机科学学校）；University of Hertfordshire（赫特福德大学）
本研究提出了一种名为SynthBA的稳健深度学习模型，通过域随机化技术克服MRI采集变异性，实现跨多序列和分辨率的可靠脑年龄预测，并在阿尔茨海默病队列中验证了其脑PAD与认知功能障碍的显著相关性。
2024-07-19 cs.CV eess.IV
A Two-Stage Multi-Modal MRI Framework for Lifespan Brain Age Prediction
Department of Computer Science, Emory University（埃默里大学计算机科学系）；Department of Biomedical Informatics, Emory University（埃默里大学生物医学信息学系）
本文提出双阶段多模态MRI框架，通过独立处理模态并融合评估，实现对全生命周期脑成熟度的统一评估。
2026-09-18 cs.AI cs.CV eess.IV
Comparative Evaluation of Transfer Learning for Classification of Brain Tumor Using MRI
Florida Institute of Technology（佛罗里达理工学院）；Daffodil International University（达福德国际大学）；University of North Texas（北德克萨斯大学）；The University of Alabama at Birmingham（阿拉巴马大学伯明翰分校）
本研究针对脑肿瘤MRI分类问题，对比四种迁移学习技术，在含3064张图像的三类脑肿瘤基准数据集上实现ResNet-50达99.06%的准确率，验证了平衡数据集的作用及方法的有效性。
2023-09-24 cs.CV eess.IV
BrainDiff: Longitudinal Report Generation for Multimodal Brain MRI
Johns Hopkins University（约翰斯·霍普金斯大学）；Data Science and AI Institute（数据科学与人工智能学院）；Department of Electrical and Computer Engineering（电气与计算机工程系）
研究针对脑部MRI纵向报告缺失问题，提出首个纵向视觉-语言系统BrainDiff，通过三项分析揭示图像依赖度等特性，其性能优于现有模型且在跨医院队列中表现稳定。
2026-09-04 cs.CV
Auto3DSeg for Brain Tumor Segmentation from 3D MRI in BraTS 2023 Challenge
NVIDIA
本研究使用MONAI的Auto3DSeg参与BraTS 2023全部5项脑肿瘤3D MRI分割挑战，斩获三项第一、两项第二的优异成绩。
2025-10-29 cs.CV
Brain MRI Segmentation using Template-Based Training and Visual Perception Augmentation
University of Pittsburgh（匹兹堡大学）
针对深度学习脑部MRI分割标注数据获取困难的问题，提出基于模板训练与视觉感知增强的3D U-Net方法，仅需单张模板图像即可从头训练模型完成多物种脑部分割任务，有效解决了训练数据有限的问题。
2023-08-04 cs.CV eess.IV q-bio.QM
A transformer-based deep learning approach for classifying brain metastases into primary organ sites using clinical whole brain MRI
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Wake Forest School of Medicine（维克森林大学医学院）
脑转移性疾病的治疗决定依赖于对原发器官部位的了解，目前是通过活检和组织学来做出的。在这里，我们开发了一种新的深度学习方法，用于使用全脑MRI数据进行准确的非侵入性数字组织学。我们的IRB批准的单中心回顾性研究包括21年来接受MRI治疗计划和伽玛刀放射外科治疗的患者（n= 1，399）。对对比增强T1加权和T2加权液体衰减反转恢复脑MRI检查（n= 1，582）进行预处理，并将其输入到拟议的深度学习工作流程中，以进行肿瘤分割、模态转移和原发部位分类，分为五类之一。10倍交叉验证生成的总体AUC为0.878（95%CI：0.873，0.883），肺分类AUC为0.889（95%CI：0.883，0.895），乳腺分类AUC为0.873（95%CI：0.860，0.886），黑素瘤分类AUC为0.852（95%CI：0.842，0.862），肾分类AUC为0.830（95%CI：0.809，0.851），其他分类AUC为0.822（95%CI：0.805，0.839）。这些数据表明，全脑成像特征是有区别的，可以准确诊断原发性恶性肿瘤的器官部位。我们的端到端的深度放射组学方法具有很大的潜力，从全脑MRI图像分类转移性肿瘤类型。进一步的改进可以提供一个宝贵的临床工具，以加快原发性癌症部位的识别，以进行精确治疗和改善预后。
2022-04-20 cs.CV eess.IV physics.med-ph
Towards Generalisable Foundation Models for Brain MRI
BrainFound是一种针对脑部MRI设计的通用基础模型，通过扩展DINO-v2实现3D脑解剖建模，支持多模态输入并提升诊断准确性，适用于多种临床场景和研究应用。
2025-12-31 cs.CV
A Novel Method for Automatic Segmentation of Brain Tumors in MRI Images
University of Zanjan（赞詹大学）
MRI图像上的脑肿瘤分割是一个非常困难和重要的任务，用于外科手术和医疗计划和评估。如果专家用自己的医学知识手动分割，将是耗时的。因此，研究人员提出了可以自动进行分割并且没有任何干扰的方法和系统。本文提出了一种无监督的脑肿瘤MRI图像自动分割方法。该方法首先在预处理阶段去除颅骨外的无用信息，然后对MRI图像进行8-连通邻域的各向异性扩散滤波去除噪声。通过应用快速限界框（FBB）算法，在MRI图像上用限界框显示肿瘤区域，并选取肿瘤中心部分作为样本点训练一类SVM分类器。Zanjan MRI中心还提供了一个数据库。MRI图像与10例脑肿瘤患者有关。本研究中使用了100个T2加权MRI图像。实验结果表明，该算法具有较高的精度和可靠性。这些结果也非常有助于专家和放射科医生轻松估计肿瘤的大小和位置。
2013-12-29 cs.CV
BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection
School of Mathematics, Physics and Computing, University of Southern Queensland（南方昆士兰大学数学、物理与计算学院）；School of Engineering, University of Southern Queensland（南方昆士兰大学工程学院）
提出BrainFusionNet混合模型，结合CNN、ViT和GRU提取MRI空间、上下文和序列特征，并集成SHAP、LIME和GradCAM进行可解释性分析，在公开数据集上达到98%准确率，优于SOTA CNN。
2026-06-18 cs.CV
