Unsupervised Domain Adaptation with SAM-RefiSeR for Enhanced Brain Tumor Segmentation
Dept. of Computer Science and Engineering（计算机科学与工程系）；Research Convergence Institute（研究融合研究所）；Dept. of Electrical and Computer Engineering（电气与计算机工程系）
本文提出SAM-RefiSeR方法，通过无监督领域适应提升脑肿瘤分割的准确性与泛化能力。
2026-01-11 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
MRI Brain Tumor Segmentation using Random Forests and Fully Convolutional Networks
School of Computer Science, University of Lincoln（林肯大学计算机科学学院）；National Heart & Lung Institute, Imperial College London（帝国理工学院国家心肺研究所）
在本文中，我们提出了一种新的基于学习的方法自动分割脑肿瘤的多模态MRI图像，它结合了两套机器学习和手工制作的功能。全卷积网络（FCN）形成机器学习的特征，基于纹理基元的特征被认为是手工制作的特征。随机森林（RF）用于将MRI图像体素分类为正常脑组织和肿瘤的不同部分，即水肿、坏死和增强肿瘤。在BRATS 2017挑战数据集上评价了该方法。结果表明，该方法提供了有前途的分割。对于整个肿瘤、核心和增强肿瘤，针对地面实况的自动脑肿瘤分割的平均Dice重叠度量分别为0.86、0.78和0.66。
2019-09-13 cs.CV
Brain Tumor Image Retrieval via Multitask Learning
Kharkevich Institute for Information Transmission Problems（哈尔克维奇信息传输问题研究所）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Moscow Gamma-Knife Center（莫斯科伽马刀中心）；Burdenko Neurosurgery Institute（布尔坚科神经外科研究所）
基于分类的图像检索系统是通过在相关分类问题上训练卷积神经网络（CNN）并使用所得特征空间中的距离作为相似性度量来构建的。然而，在实际应用中，通常期望具有考虑数据的若干方面（例如，脑肿瘤类型及其定位）。在我们的工作中，我们扩展了基于分类的方法与多任务学习：我们训练一个CNN的大脑MRI扫描与异构标签和实现相应的肿瘤图像检索系统。我们验证了我们的方法对脑肿瘤数据，其中包含有关肿瘤类型，形状和定位的信息。我们表明，我们的方法使我们能够建立比基于单任务分类的方法包含更多有关肿瘤的相关信息的表示。
2018-10-22 cs.CV
Automatic Brain Tumor Segmentation using Convolutional Neural Networks with Test-Time Augmentation
King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
脑肿瘤的自动分割对于脑肿瘤的诊断、手术规划和治疗效果评估具有重要意义。深度卷积神经网络（CNN）已被广泛用于此任务。由于用于训练的数据集相对较小，训练时的数据增强通常用于CNN的更好性能。最近的工作也证明了在测试时使用增强的有用性，除了训练时间，以实现更强大的预测。我们研究了测试时增强如何提高CNN在脑肿瘤分割中的性能。我们使用了不同的支撑网络结构，并在训练和测试时通过3D旋转，翻转，缩放和添加随机噪声来增强图像。利用BraTS 2018训练集和验证集进行的实验表明，测试时增强有助于提高脑肿瘤分割精度，并获得分割结果的不确定性估计。
2018-11-28 cs.CV
Unsupervised Brain Tumor Segmentation with Image-based Prompts
Beijing Institute of Technology（北京理工大学）；Capital Medical University（首都医科大学）；Beijing Tiantan Hospital（北京天坛医院）
提出基于图像提示的无监督脑肿瘤分割方法PL-BTS及改进版PL-BTS+，通过人工生成肿瘤样信号训练模型并引入验证任务监控过拟合，在公开和内部数据集上显著优于竞争方法。
2023-04-04 cs.CV
A Multi-task Contextual Atrous Residual Network for Brain Tumor Detection & Segmentation
University of Arkansas（阿肯色大学）；Concordia University（康考迪亚大学）；Carnegie Mellon University（卡内基梅隆大学）
近年来，深度神经网络在医学成像中的各种识别和分割任务（包括脑肿瘤分割）中取得了最先进的性能。我们研究了脑肿瘤分割面临的数据不平衡问题，即属于背景类的像素（非肿瘤像素）的数量远远大于属于前景类的像素（肿瘤像素）的数量。为了解决这个问题，我们提出了一个多任务网络，形成了一个级联结构。我们的模型包括两个目标，即，(i)有效地区分脑肿瘤区域和（ii）估计脑肿瘤掩模。第一个目标是通过我们提出的上下文脑肿瘤检测网络来执行的，该网络起着注意力门的作用，只关注脑肿瘤周围的区域，而忽略与肿瘤相关性较低的远邻背景。第二个目标是建立在3D atrous残差网络和编码-解码网络下，以便有效地分割大小物体（脑肿瘤）。我们的3D atrous残差网络设计有一个跳跃连接，使梯度从深层直接传播到浅层，因此，不同深度的特征被保留并用于相互细化。为了从体积MRI数据中整合更大的上下文信息，我们的网络利用了具有各种内核大小的3D atrous卷积，这扩大了滤波器的感受野。我们提出的网络已经在各种数据集上进行了评估，包括BRATS 2015，BRATS 2017和BRATS 2018数据集，包括验证集和测试集。我们的表现已通过基于区域的指标和基于表面的指标进行基准测试。我们还对最先进的方法进行了比较。
2020-12-03 cs.CV
Brain Tumor Detection Based On Symmetry Information
计算技术的进步已经允许跨许多努力领域的研究人员收集和维护大量的观察统计数据，诸如临床数据、生物患者数据、关于网站访问的数据、财务数据等。针对脑磁共振（MRI）图像肿瘤分割中存在的磁共振强度与解剖学意义之间的弱相关性，提出了一种新的肿瘤分割方法。为了利用更有意义的信息来改善脑肿瘤分割，提出了一种利用双侧对称信息作为分割特征的方法。这是由潜在的性能改进的一般自动脑肿瘤分割系统，这是重要的许多医疗和科学应用的动机
2013-11-23 cs.CV
Automated Tumor Segmentation and Brain Mapping for the Tumor Area
磁共振成像（MRI）是用于精确检测各种病理的重要诊断工具。磁共振（MR）比计算机断层扫描（CT）更受欢迎，因为MR图像的高分辨率有助于更好地检测神经系统疾病。由于医生工作量的增加，图形用户界面（GUI）辅助疾病检测变得越来越有用。在这项工作中，提出了一种新的两步GUI技术的脑肿瘤分割以及Brodmann区域检测分割的肿瘤。15例患者的T2加权图像数据集用于验证所提出的方法。患者数据包含种族、性别（男性和女性）和年龄（25-50岁）的变化，从而增强了所提出方法的真实性。使用模糊C均值聚类对肿瘤进行分割，并使用已知模板进行Brodmann区域检测，将每个区域映射到分割的肿瘤图像。所提出的方法被认为是相当准确和强大的检测肿瘤。
2017-10-28 cs.CV
A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出一种弱监督反事实生成框架，通过分离类别相关特征并在拓扑流形中生成正常对照样本，在无需像素级标注的情况下实现高性能且全局可解释的脑肿瘤分割。
2024-08-02 cs.CV
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
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
Deep Recurrent Level Set for Segmenting Brain Tumors
Carnegie Mellon University（卡内基梅隆大学）
变分水平集（VLS）是一种广泛应用于医学图像分割的方法。然而，在VLS方法的分割精度显着降低时，处理干预因素，如照明，阴影，颜色等，此外，结果是非常敏感的初始设置，并高度依赖于迭代次数。为了解决这些限制，所提出的方法通过定义一种称为深度递归水平集（DRLS）的新型端到端可训练模型，将VLS纳入深度学习。DRLS由三层组成，即卷积层、带跳跃连接的解卷积层和LevelSet层。脑肿瘤分割作为一个瞬间，以说明所提出的DRLS的性能。卷积层以不同的尺度学习脑肿瘤的视觉表示。由于脑肿瘤占据图像的一小部分，因此反卷积层被设计为具有跳过连接以获得高质量的特征图。Level-Set Layer将轮廓推向脑瘤。在每一步中，卷积层都被输入LevelSet图以获得脑肿瘤特征图。这反过来又作为下一步中LevelSet层的输入。在BRATS 2013、BRATS 2015和BRATS 2017数据集上获得了实验结果。建议DRLS模型提高了计算时间和分割精度相比，经典的基于VLS-based方法。此外，一个完全端到端的系统DRLS实现了最先进的脑肿瘤分割。
2018-10-10 cs.CV
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
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
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 Tumor Type Classification via Capsule Networks
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）
脑肿瘤被认为是儿童和成人中最致命和最常见的癌症之一。因此，在早期阶段确定脑肿瘤的正确类型对于制定精确的治疗计划和预测患者对所采用治疗的反应具有重要意义。在这方面，最近对设计用于脑肿瘤类型分类问题的卷积神经网络（CNN）的兴趣激增。然而，CNN通常需要大量的训练数据，并且不能正确地处理输入变换。胶囊网络（CapsNets）是最近提出的全新的机器学习架构，旨在克服CNN的这些缺点，并提出革命性的深度学习解决方案。这项工作特别令人感兴趣的是，胶囊网络对旋转和仿射变换具有鲁棒性，并且需要少得多的训练数据，这是处理包括脑磁共振成像（MRI）图像在内的医学图像数据集的情况。在本文中，我们致力于实现以下四个目标：（i）采用并结合CapsNets用于脑肿瘤分类问题，以设计一种改进的架构，最大限度地提高分类问题的准确性;（ii）基于一组真实的MRI图像研究CapsNets的过拟合问题;（iii）探索CapsNet是否能够为整个大脑图像或仅分割的肿瘤提供更好的拟合，以及;（iv）为CapsNet的输出开发可视化范例，以更好地解释学习到的特征。我们的研究结果表明，所提出的方法可以成功地克服神经网络的脑肿瘤分类问题。
2018-03-01 cs.CV
Automatic Brain Tumor Segmentation using Cascaded Anisotropic Convolutional Neural Networks
University College London（伦敦大学学院）
提出了一种全卷积神经网络级联算法，用于脑肿瘤多模态磁共振图像的分割，将图像分割为背景区域、肿瘤整体区域、肿瘤中心区域和增强区域。级联的目的是将多类分割问题分解成一系列的三个二进制分割问题，根据子区域的层次结构。在第一步中分割整个肿瘤，并且在第二步中将结果的限界框用于肿瘤核心分割。然后基于肿瘤核心分割结果的限界框分割增强的肿瘤核心。我们的网络由多层各向异性和膨胀卷积滤波器组成，它们与多视图融合相结合，以减少误报。在这些网络中采用残差连接和多尺度预测来提高分割性能。在BraTS 2017验证集上的实验表明，该方法对增强肿瘤核心、整个肿瘤和肿瘤核心的平均Dice分数分别为0.7859、0.9050、0.8378。BraTS 2017测试集的相应值分别为0.7831、0.8739和0.7748。
2017-12-15 cs.CV
BrainAid: Efficient Brain Tumor Detection Using Lightweight CNNs and Explainable AI for Resource-Constrained Environments
IIIT - Naya Raipur（印度那亚赖普尔印度信息技术学院）；Old Dominion University（奥多明尼昂大学）；California State University, Fresno（加州州立大学弗雷斯诺分校）；Amity University（阿米蒂大学）；Christopher Newport University（克里斯托弗纽波特大学）
本研究提出BrainAid，采用轻量CNNs与ViTs实现脑肿瘤四分类，性能优于VGG16等标准模型，整合XAI提升可解释性，在公开数据集上达98%的精确率、F1值与准确率，部署于Raspberry Pi，可用于资源受限环境的实时脑肿瘤诊断。
2026-10-14 cs.CV
VGDM: Vision-Guided Diffusion Model for Brain Tumor Detection and Segmentation
College of Computing, Department of Computer Science（计算学院、计算机科学系）；Illinois Institute of Technology（伊利诺伊理工学院）
针对U-Net等卷积架构长距离依赖捕捉不足的问题，提出融合视觉Transformer与扩散模型的VGDM框架，用于脑肿瘤MRI检测分割，在Dice系数和Hausdorff距离上优于传统U-Net基线。
2025-10-02 cs.CV
Synthesizing brain tumor images and annotations by combining progressive growing GAN and SPADE
Linköping University（林雪平大学）
训练分割网络需要大量带注释的数据集，但手动注释既耗时又昂贵。我们在这里调查，如果一个噪声到图像的GAN和图像到图像的GAN的组合可以用来合成逼真的脑肿瘤图像以及相应的肿瘤注释（标签），以大幅增加训练图像的数量。噪声到图像GAN用于合成新的标记图像，而图像到图像GAN从标记图像生成相应的MR图像。我们的研究结果表明，这两个GANs可以合成看起来逼真的标签图像和MR图像，并且添加合成图像可以提高分割性能，尽管效果很小。
2020-09-13 cs.CV
Hybrid Model using Feature Extraction and Non-linear SVM for Brain Tumor Classification
Indian Institute of Information Technology Allahabad（印度阿拉哈巴德信息技术学院）
对脑肿瘤的磁共振成像（MRI）进行准确的分型，对于更好、更及时地对患者进行治疗至关重要。在本文中，我们提出了一个混合模型，使用VGG以及非线性SVM（软和硬）分类脑肿瘤：胶质瘤和垂体瘤和肿瘤和非肿瘤。VGG-SVM模型是针对两个类别的两个不同数据集进行训练的;因此，我们执行二进制分类。VGG模型通过PyTorch python库进行训练，以获得最高的肿瘤分类测试准确率。该方法是三重的，在第一步中，我们规范化和调整大小的图像，第二步包括特征提取通过VGG模型的变体。第三步使用非线性SVM（软和硬）对脑肿瘤进行分类。我们使用VGG 19获得了第一个数据集的98.18%准确率和第二个数据集的99.78%准确率。分类准确率为95.50%和97.98%的非线性支持向量机与线性和径向基函数核和D1的径向基函数核的软支持向量机的97.95%，96.75%和98.60%的线性和径向基函数核和D2的径向基函数核的软支持向量机的98.38%。结果表明，混合VGG-SVM模型，特别是VGG 19与SVM，能够优于现有的技术，并实现高精度。
2022-12-06 cs.CV
UPMAD-Net: A Brain Tumor Segmentation Network with Uncertainty Guidance and Adaptive Multimodal Feature Fusion
School of Computer Science and Technology, Zhengzhou University of Light Industry（郑州轻工业大学计算机与通信工程学院）；Kennesaw State University（肯尼索州立大学）；Michigan Technological University（密歇根理工大学）
本文提出UPMAD-Net，一种结合区域生长先验知识、多尺度特征融合与自适应注意力机制，并利用MC Dropout进行不确定性估计的3D脑肿瘤分割网络，在BraTS数据集上取得优于现有方法的性能。
2025-05-06 cs.CV
Few-Shot Generation of Brain Tumors for Secure and Fair Data Sharing
Rensselaer Polytechnic Institute（伦斯勒理工学院）
提出去中心化少样本生成模型DFGM，通过混合私有肿瘤前景与公开健康背景合成脑肿瘤图像，在保护隐私的同时提升分割Dice分数3.9%及公平性4.6%。
2025-03-31 cs.CV
Brain Tumor Segmentation on MRI with Missing Modalities
University at Buffalo, The State University of New York（纽约州立大学布法罗分校）
脑肿瘤的磁共振图像分割是脑肿瘤早期诊断的关键技术。然而，与BraTS数据集中的完整四种模态不同，在临床场景中缺失模态是常见的。我们设计了一个脑肿瘤分割算法，是强大的任何形式的情况下。我们的网络包括一个独立于通道的编码路径和一个特征融合的解码路径，我们使用通过通道丢失的自监督训练，还提出了一种新的领域自适应方法的特征地图，以恢复丢失的通道的信息。我们的研究结果表明，分割的质量取决于哪种模态缺失。此外，我们还讨论和可视化的贡献，每一个模态的分割结果。他们的贡献与专家筛选程序配合得很好。
2019-04-15 cs.CV
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
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
Deep Superpixel Generation and Clustering for Weakly Supervised Segmentation of Brain Tumors in MR Images
University of Toronto（多伦多大学）；The Hospital for Sick Children（病童医院）；Vector Institute（Vector研究所）
本文提出结合深度超像素生成与聚类模型，仅利用二值图像级标签实现脑肿瘤弱监督分割，在BraTS 2020数据集上以0.691的平均Dice系数超越现有超像素弱监督方法。
2024-01-23 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
Sequential 3D U-Nets for Biologically-Informed Brain Tumor Segmentation
Department of Neuro-Oncology, Massachusetts General Hospital（麻省总医院神经肿瘤科）；MGH & BWH Center for Clinical Data Science（麻省总医院与布莱根妇女医院临床数据科学中心）；Department of Radiology, Massachusetts General Hospital（麻省总医院放射科）；Massachusetts General Hospital（麻省总医院）；NVIDIA（英伟达）
深度学习已迅速成为脑病变分割的首选武器。然而，很少有现有的算法预先配置其选择的分割组织的任何生物背景，而是依赖于神经网络的优化器来从头开发这种关联。我们提出了一种新的方法，用于将深度神经网络应用于神经胶质瘤组织分割的问题，该方法考虑了神经胶质瘤的结构化性质-增强和非增强肿瘤的互斥区域周围的水肿组织。我们用树结构中的3D U-Net架构训练了多个深度神经网络，以创建水肿、非增强肿瘤和增强肿瘤区域的分割。具体地，训练被配置为使得首先预测包括水肿的整个肿瘤区域，并且其输出分割作为输入被馈送到单独的模型中以预测增强和非增强肿瘤。我们的方法在公开可用的BraTS数据集上进行了训练和评估，整个肿瘤、增强肿瘤和肿瘤核心的Dice评分分别为0.882、0.732和0.730。
2017-09-09 cs.CV
Hybrid Ensemble Approaches: Optimal Deep Feature Fusion and Hyperparameter-Tuned Classifier Ensembling for Enhanced Brain Tumor Classification
Dongguk University（东国大学）；University of Belgrade（贝尔格莱德大学）；Yuan Ze University（元智大学）；Korea University（韩国大学）
本文提出一种双重集成框架，融合预训练深度模型提取的深度特征并集成超参数微调的机器学习分类器，在多个Kaggle脑肿瘤MRI数据集上取得优于现有方法的分类性能。
2025-07-16 cs.CV
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
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
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 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
A Multiscale Patch Based Convolutional Network for Brain Tumor Segmentation
Stryker Corporation（史赛克公司）
本文提出了一种基于多尺度块的卷积神经网络，用于多模态3D MR图像中脑肿瘤的自动分割。我们使用多尺度深度监督和输入来训练卷积网络。我们评估了所提出的方法在BRATS 2017分割挑战中的有效性，在该挑战中，我们分别获得了增强肿瘤核心、整个肿瘤和肿瘤核心的0.755、0.900、0.782和95% Hausdorff距离（3.63 mm、4.10 mm和6.81 mm）的骰子分数。
2017-10-06 cs.CV q-bio.NC
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
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
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
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
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
Using Singular Value Decomposition in a Convolutional Neural Network to Improve Brain Tumor Segmentation Accuracy
Shahid Beheshti University（贝赫什提大学）
本研究提出在卷积神经网络中结合MSVD算法对脑部MRI图像降噪以改善脑肿瘤分割，结果显示准确率提升2.4%且加快了收敛速度。
2024-01-04 cs.CV eess.IV
Multi-step Cascaded Networks for Brain Tumor Segmentation
School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
脑肿瘤自动分割方法在脑肿瘤诊断和治疗的整个过程中起着极其重要的作用。本文提出了一种多步级联网络，该网络考虑了脑肿瘤子结构的层次拓扑结构，对脑肿瘤子结构进行由粗到细的分割，在分割过程中，前一步的结果作为下一步的先验信息，指导下一步的精细分割过程。整个网络以端到端的方式进行训练。此外，为了缓解梯度消失问题并减少过拟合，我们为每一步添加了几个辅助输出作为一种深度监督，并分别引入了几种数据增强策略，这些策略被证明对脑肿瘤分割非常有效。最后，利用焦点损失来解决肿瘤区域和背景的显著不平衡问题。在BraTS 2019验证数据集上对模型进行了检验，肿瘤整体、肿瘤核心和增强肿瘤的平均骰子系数的初步结果分别为0.886、0.813、0.771。代码可在https://github.com/JohnleeHIT/Brats2019上获得
2019-09-25 cs.CV eess.IV
Brain Tumor Segmentation Network Using Attention-based Fusion and Spatial Relationship Constraint
College of Physics and Information Engineering, Fuzhou University（福州大学物理与信息工程学院）；School of Data Science, Fudan University（复旦大学数据科学学院）；School of Biomedical Engineering, Shanghai Jiao Tong University（上海交通大学生物医学工程学院）；School of Biomedical Engineering and Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与成像科学学院）
从磁共振（MR）图像中描绘脑肿瘤对于胶质瘤的治疗至关重要。然而，由于肿瘤的复杂外观和模糊轮廓，自动描绘是具有挑战性的。考虑到多模态MR图像能够反映不同的肿瘤生物学特性，本文提出了一种新的多模态肿瘤分割网络（MMTSN），用于基于多模态MR图像的脑肿瘤分割。MMTSN由三个子分支和一个主分支组成。具体来说，子分支用于从多模态图像中捕获不同的肿瘤特征，而在主分支中，我们设计了一个空间通道融合块（SCFB）来有效地聚合多模态特征。此外，受肿瘤子区域之间的空间关系相对固定的事实的启发，增强的肿瘤总是在肿瘤的核心，我们提出了一个空间损失来约束肿瘤的不同子区域之间的关系。我们在多模态脑肿瘤分割挑战2020（BraTs2020）的测试集上评估了我们的方法。该方法对整个肿瘤、肿瘤核心和增强肿瘤的dice评分分别为0.8764、0.8243和0.773。
2020-10-31 cs.CV eess.IV
Assistive Diagnostic Tool for Brain Tumor Detection using Computer Vision
James B. Conant High School（詹姆斯·B·柯南特高中）
今天，美国有超过70万人患有脑瘤。除非采取必要的预防措施，否则脑肿瘤可以迅速扩散到大脑和脊髓的其他部位。因此，这种疾病的存活率对于男性和女性都低于40%。对一些人来说，脑肿瘤的结论性和早期诊断可能是生与死的区别。然而，脑肿瘤检测和分割是繁琐且耗时的过程，因为它只能由放射科医生和临床专家完成。使用计算机视觉技术，如Mask R卷积神经网络（Mask R CNN）来检测和分割脑肿瘤，可以减轻人为错误的可能性，同时提高预测准确率。该项目的目标是创建一个用于脑肿瘤检测和分割的辅助诊断工具。迁移学习与Mask R CNN一起使用，并相应地改变必要的参数作为起点。该模型用20个epoch进行训练，然后进行测试。预测分割与地面实况匹配90%。这表明该模型能够在高水平上运行。模型完成后，就创建了在Flask上运行的应用程序。该应用程序将作为医疗专业人员的工具。它允许医生上传患者脑肿瘤MRI图像，以便立即获得每个患者的诊断和分割结果。
2020-11-17 cs.CV 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
Context Aware 3D UNet for Brain Tumor Segmentation
Huazhong University of Science and Technology（华中科技大学）；Shenzhen University（深圳大学）
深度卷积神经网络（CNN）在医学图像分析中取得了显著的性能。UNet是3D CNN架构用于医学成像任务（包括脑肿瘤分割）的主要性能来源。UNet架构中的跳过连接将来自编码器和解码器路径的特征连接起来，以从图像数据中提取多上下文信息。多尺度特征在脑肿瘤分割中起着至关重要的作用。然而，功能的有限使用可以降低分割的UNet方法的性能。在本文中，我们提出了一种改进的UNet架构的脑肿瘤分割。在所提出的架构中，我们使用密集连接的块在编码器和解码器的路径，以提取多上下文信息的概念，功能可重用性。此外，剩余的初始块（RIB）被用来提取本地和全局信息，通过合并不同的内核大小的功能。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。肿瘤整体、肿瘤核心和增强肿瘤的DSC评分分别为89.12%、84.74%和79.12%。
2020-11-27 cs.CV eess.IV
Joint brain tumor segmentation from multi MR sequences through a deep convolutional neural network
University of Isfahan（伊斯法罕大学）；Geneva University Hospital（日内瓦大学医院）
脑肿瘤分割在诊断和治疗计划中具有很高的贡献。手动脑肿瘤描绘是一项耗时且繁琐的任务，并且取决于放射科医师的技能。脑肿瘤的自动分割是非常重要的，并且不依赖于观察间或观察内。本研究的目的是通过深度学习方法，从FLAIR、T1加权、T2加权和T1加权对比增强MR序列中自动描绘脑肿瘤，重点是确定哪种MR序列单独或其组合将导致其中的最高准确度。
2022-03-07 cs.CV eess.IV physics.med-ph
Advancing Efficient Brain Tumor Multi-Class Classification -- New Insights from the Vision Mamba Model in Transfer Learning
本研究首次将视觉Mamba模型应用于脑肿瘤多类分类，通过迁移学习微调，在独立测试集上实现100%准确率，证明其轻量高效，优于现有模型，并适用于其他医学影像分类。
2024-11-06 cs.AI cs.CV
