Multi-class Brain Tumor Segmentation using Graph Attention Network
Lakehead University（湖首大学）
磁共振成像（MRI）中的脑肿瘤分割在诊断放射学中起着重要作用。为了克服手动方法中的实际问题，对构建自动肿瘤分割算法有巨大的需求。这项工作介绍了一个有效的脑肿瘤总和模型，利用MRI和图形神经网络（GNNs）的进步。该模型将体积MRI表示为区域邻接图（RAG），并通过图形注意力网络（GAT）（GNN的变体）学习识别肿瘤类型。在两个基准数据集上进行的消融分析证明，与领先的解决方案相比，该模型可以产生有竞争力的结果。在BrTS2021验证数据集上，对于整个肿瘤、核心肿瘤和增强肿瘤分割，其平均骰子评分分别为0.91、0.86、0.79，第95百分位数（HD95）的平均Hausdorff距离分别为5.91、6.08和9.52 mm。平均而言，与基于GNN的基线模型相比，这些性能分别在骰子得分和HD95评估指标上> 6%和> 50%。
2023-02-11 cs.CV cs.LG eess.IV
Fully Automated Tumor Segmentation for Brain MRI data using Multiplanner UNet
University of Copenhagen（哥本哈根大学）
本文评估了多平面U-Net（MPUnet）在PED、MET和SSA三个脑肿瘤数据集上的分割性能，发现肿瘤核心分割精度较高，而水肿和增强肿瘤区域分割存在变异性，表明该方法仍需进一步改进并纳入更多MRI数据。
2024-01-12 cs.CV cs.LG eess.IV
A New Deep Hybrid Boosted and Ensemble Learning-based Brain Tumor Analysis using MRI
Pakistan Institute of Engineering and Applied Sciences（巴基斯坦工程与应用科学学院）
脑肿瘤的分析对于及时诊断和有效治疗具有重要意义。肿瘤分析是具有挑战性的，因为肿瘤形态，如大小，位置，纹理，和异形外观的医学图像。在这方面，提出了一种新的基于两阶段深度学习的框架来检测和分类磁共振图像（MRI）中的脑肿瘤。在第一阶段，提出了一种新的深度增强特征和集成分类器（DBF-EC）方案，以有效地检测来自健康个体的肿瘤MRI图像。深度提升的特征空间是通过定制的和性能良好的深度卷积神经网络（CNN）实现的，因此，被馈送到机器学习（ML）分类器的集合中。在第二阶段，提出了一种新的基于混合特征融合的脑肿瘤分类方法，该方法将动静态特征和ML分类器相结合，对不同的肿瘤类型进行分类。动态特征是从所提出的BRAIN-RENet CNN中提取的，它仔细地学习了各种肿瘤的异形和不一致的行为，而静态特征是使用HOG提取的。在两个标准基准数据集上验证了所提出的两阶段脑肿瘤分析框架的有效性;从Kaggle和Figshare收集的包含不同类型肿瘤的数据集，包括神经胶质瘤，脑膜瘤，垂体和正常图像。实验结果表明，提出的DBF-EC检测方案优于，并达到准确率（99.56%），精度（0.9991），召回率（0.9899），F1-Score（0.9945），MCC（0.9892），AUC-PR（0.9990）。在分类方案中，联合使用提出的BRAIN-RENet和HOG特征的深度特征融合，在不同数据集上的召回率（0.…
2022-02-11 cs.CV cs.LG eess.IV
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
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
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
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
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
Brain Tumor Detection Using Deep Learning Approaches
Daffodil International University（水仙花国际大学）
本研究比较 VGG16、VGG19、DenseNet121、ResNet50 和 YOLO V4 五种迁移学习模型在 MRI 脑肿瘤检测中的表现，发现 ResNet50 准确率最高，达 99.54%，为自动化脑肿瘤检测提供了参考。
2023-09-21 cs.CV cs.LG 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
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
Region of Interest Identification for Brain Tumors in Magnetic Resonance Images
Isfahan University of Technology（伊斯法罕理工大学）
脑胶质瘤是一种常见的脑肿瘤，对其准确检测在诊断和治疗过程中起着至关重要的作用。尽管医学图像分析取得了进展，但由于肿瘤纹理、位置和形状的变化，脑磁共振（MR）图像中的准确肿瘤分割仍然是一个挑战。在本文中，我们提出了一种快速，自动化的方法，与光的计算复杂性，找到肿瘤区域周围的最小边界框。该感兴趣区域可以用作训练网络的预处理步骤，用于子区域肿瘤分割。通过采用该算法的输出，去除了冗余信息，因此网络可以专注于学习与子区域类别相关的显著特征。该方法分为六个主要阶段，其中脑区分割是最关键的一步。期望最大化（EM）和K-means算法用于脑分割。在BraTS 2015数据集上对所提出的方法进行了评估，平均获得的DICE得分为0.73，这对于该应用来说是可以接受的结果。
2020-02-26 cs.CV eess.IV
Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning
Hangzhou Normal University（杭州师范大学）；Henri Becquerel Cancer Center（亨利·贝克勒尔癌症中心）；Université de Rouen Normandie（鲁昂诺曼底大学）
针对小样本下脑肿瘤复发位置预测难题，提出结合 BraTS 2021 迁移学习、多尺度多通道融合及非线性关联损失的深度网络，可同时分割当前肿瘤并预测未来复发位置。
2023-04-11 cs.AI cs.CV cs.LG
BrainNormalizer: Anatomy-Informed Pseudo-Healthy Brain Reconstruction from Tumor MRI via Edge-Guided ControlNet
University of Pittsburgh（匹兹堡大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Cedars-Sinai Medical Center（西德萨斯医疗中心）；Mayo Clinic Arizona（梅奥诊所亚利桑那分部）
针对脑肿瘤致结构变形难区分肿瘤与解剖变异问题，提出BrainNormalizer框架，用两阶段训练学习解剖先验等，通过特定策略实现伪健康脑重建，实验表明其有优势。
2026-07-07 cs.CV 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
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
Light Weight CNN for classification of Brain Tumors from MRI Images
Georgia State University（佐治亚州立大学）
本文提出一种基于轻量级CNN的MRI脑肿瘤四分类方法，通过预处理、裁剪和Keras Tuner超参数调优及5折交叉验证，实现98.78%的分类准确率，为早期临床诊断提供低复杂度辅助方案。
2025-05-05 cs.AI cs.CV cs.LG
Synthesis of Brain Tumor MR Images for Learning Data Augmentation
Korea Advanced Institute of Science and Technology (KAIST)（韩国高等科学技术研究院（KAIST））
使用深度神经网络的医学图像分析已经得到了积极的研究。深度神经网络通过学习数据进行训练。为了准确训练深度神经网络，学习数据应该足够，质量好，并且应该具有通用性。然而，在医学图像中，由于患者招募的困难、专家对病变的注释负担以及对患者隐私的侵犯，很难获得足够的患者数据。相比之下，健康志愿者的医学图像可以很容易地获得。使用健康的大脑图像，所提出的方法合成多对比度的脑肿瘤的磁共振图像。由于肿瘤具有复杂的特征，因此所提出的方法将其简化为易于控制的同心圆。然后，它通过深度神经网络将同心圆转换为肿瘤的各种现实形状。由于大量的健康脑图像是容易获得的，我们的方法可以合成大量的脑肿瘤图像与各种同心圆。我们进行了定性和定量分析，以评估所提出的方法的增强数据的有用性。直观和有趣的实验结果可在https://github.com/KSH0660/BrainTumor上在线获得
2020-03-17 cs.CV eess.IV
Novel Deep Learning Architectures for Classification and Segmentation of Brain Tumors from MRI Images
Jadavpur University（贾梵普大学）
本文提出两种新型深度学习架构，用于从MRI图像中准确分类和分割脑肿瘤，分别达到99.38%和99.23%的准确率。
2025-12-06 cs.AI cs.CV cs.LG
Brain Tumor Detection through Thermal Imaging and MobileNET
Sister Nivedita University, Kolkata, India（锡尔·尼维达大学，加尔各答，印度）
本研究针对传统脑肿瘤检测方法成本高、需专业知识的局限，提出使用MobileNET模型结合图像处理技术进行高效检测，在减少计算资源和时间的同时实现了98.5%的平均准确率。
2025-06-30 cs.CV cs.LG
On Enhancing Brain Tumor Segmentation Across Diverse Populations with Convolutional Neural Networks
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文针对跨人群脑肿瘤自动分割问题，以MedNeXt为基线并结合模型集成与后处理，在BraTS-GoAT挑战中取得平均DSC 85.54%和HD95 27.88的结果。
2024-05-05 cs.CV eess.IV
Segmenting Brain Tumors with Symmetry
Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）
我们探索编码脑对称性到一个神经网络的脑肿瘤分割任务。一个健康的人脑在高抽象层次上是对称的，高层次的不对称部分更有可能是肿瘤区域。更多地关注非对称性有可能提高脑肿瘤分割的性能。我们提出了一种方法来编码到现有的神经网络的大脑对称性，并将该方法应用到一个国家的最先进的神经网络的医学成像分割。我们在来自脑肿瘤分割挑战的数据集上评估了我们的神经网络编码网络，并验证了新模型比原始模型更有效地提取训练图像中的信息。
2017-11-17 cs.CV
A Novel SLCA-UNet Architecture for Automatic MRI Brain Tumor Segmentation
University of Visvesvaraya College of Engineering（维什瓦拉亚工程学院大学）；Bangalore University（班加罗尔大学）
针对传统UNet在脑肿瘤MRI分割中的精度与上下文建模不足，提出融合残差密集块及分层、通道注意力的SLCA-UNet，并在BraTS 2020上取得优异指标。
2023-07-16 cs.CV 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
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
Efficient Feature Extraction and Classification Architecture for MRI-Based Brain Tumor Detection and Localization
Bangladesh University of Engineering & Technology（孟加拉工程技术大学）；Arizona State University（亚利桑那州立大学）
本文提出一种基于MRI和CNN的高效脑肿瘤检测与定位架构，准确率达99.17%，并结合GradCAM定位肿瘤区域及多机器学习模型评估，辅助医生提升诊断准确性。
2025-03-09 cs.AI cs.CV eess.IV
3D AGSE-VNet: An Automatic Brain Tumor MRI Data Segmentation Framework
背景资料：脑胶质瘤是最常见的脑恶性肿瘤，发病率高，死亡率超过3%，严重危害人类健康。临床上获取脑肿瘤的主要方法是MRI。从多模态MRI扫描图像中分割出脑肿瘤区域有助于患者的治疗检查、诊断后监测和疗效评估。然而，目前临床脑肿瘤分割中常见的操作仍然是人工分割，导致其耗时长且不同操作者之间的性能差异较大，迫切需要一种一致且准确的自动分割方法。方法：针对上述问题，提出了一个脑肿瘤MRI数据自动分割框架AGSE-VNet。我们的研究在每个编码器中加入挤压和激励（SE）模块，在每个解码器中加入注意力引导过滤（AG）模块，利用通道关系自动增强通道中的有用信息抑制无用信息，并利用注意力机制引导边缘信息，去除噪声等无关信息的影响。结果：我们使用BraTS 2020挑战在线验证工具来评估我们的方法。验证的重点是整个肿瘤（WT）、肿瘤核心（TC）和增强肿瘤（ET）的Dice评分分别为0.68、0.85和0.70。结论：虽然MRI图像有不同的强度，但AGSE-VNet不受肿瘤大小的影响，能够更准确地提取三个区域的特征，取得了令人印象深刻的效果，为脑肿瘤患者的临床诊断和治疗做出了突出贡献。
2021-07-26 cs.AI cs.CV cs.LG
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
Advanced Brain Tumor Segmentation Using EMCAD: Efficient Multi-scale Convolutional Attention Decoding
Department of Computer Science（计算机科学系）；Texas Tech University（德克萨斯理工大学）
针对脑肿瘤分割中解码器计算成本高的问题，提出EMCAD高效多尺度卷积注意力解码器，在BraTs2020数据集上获得最佳Dice 0.31，兼顾性能与效率。
2025-09-05 cs.AI cs.CV cs.LG
Machine learning approach to brain tumor detection and classification
Peachtree Ridge High School（桃树岭高中）；Everlove Christian School（永爱基督学校）；North Gwinnett High School（北格温内特高中）；Horizon Christian Academy（霍里顿基督学院）；Seckinger High School（塞金格高中）；Massachusetts Institute of Technology（麻省理工学院）
本研究利用多种统计和机器学习模型对脑MRI图像进行肿瘤检测与分类，发现CNN性能最佳，并能区分正常、胶质瘤、脑膜瘤和垂体瘤四类，助力早期准确诊断。
2024-11-06 cs.CV cs.LG
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
Magnetic Resonance Imaging Feature-Based Subtyping and Model Ensemble for Enhanced Brain Tumor Segmentation
Universidad Politécnica de Madrid（马德里理工大学）；CIBER-BBN, ISCIII（西班牙健康研究所生物工程、生物材料与纳米生物医学研究中心）；George Washington University（乔治·华盛顿大学）
针对BraTS 2024挑战赛中多参数MRI脑肿瘤异质性分割难题，提出结合最先进模型的深度学习集成方法，并引入基于MRI影像组学的自适应预处理与后处理技术以区分肿瘤亚型，在PED、MEN-RT和MET测试集上取得了优异的分割性能与泛化能力。
2024-12-20 cs.CV eess.IV
Brain Tumor Classification using Vision Transformer with Selective Cross-Attention Mechanism and Feature Calibration
K.N. Toosi University of Technology（霍梅尼国际大学（K.N. Toosi理工大学））；Indiana University-Purdue University（印第安纳大学-普渡大学）；Shahed university（沙希德大学）；University of Cincinnati（辛辛那提大学）
针对脑肿瘤分类这一医学图像分析挑战，提出结合特征校准机制（FCM）和选择性交叉注意力（SCA）的视觉Transformer方法，提升准确性与效率，机制可集成至其他Transformer架构，性能超越现有方法。
2024-11-25 cs.CV eess.IV
Transfer Learning for Brain Tumor Segmentation
EURECOM（欧洲通信学院）；University of Brasília（巴西利亚大学）；Syrian-Lebanese Hospital（叙利亚-黎巴嫩医院）
神经胶质瘤是最常见的恶性脑肿瘤，可以通过放化疗和手术治疗。放射治疗师使用磁共振成像（MRI）手动分割脑部病变，并在整个治疗过程中观察其发展。手动图像分割过程非常耗时，并且结果往往因不同的人类评分员而异。因此，存在对产生各种脑组织类型的可靠且准确的分割的自动图像分割算法的实质性需求。深度学习的最新进展导致卷积神经网络架构在各种视觉识别任务中表现出色。它们已成功地应用于医学背景，包括医学图像分割。特别是，全卷积网络（FCN），如U-Net，在脑肿瘤的自动分割中产生了最先进的结果。MRI脑部扫描是体积扫描，并且存在于各种共同配准的模态中，这些模态用作这些FCN架构的输入通道。在这种复杂的输入上训练用于脑肿瘤分割的算法需要大量的计算资源，并且易于过拟合。在这项工作中，我们用预训练的卷积编码器构建了FCNs。我们表明，我们可以通过这种方式稳定训练过程，并在骰子分数和Hausdorff距离方面取得改进。我们还在私人获得的临床数据集上测试了我们的方法。
2020-11-26 cs.CV eess.IV
Enhancing Brain Tumor Classification Using TrAdaBoost and Multi-Classifier Deep Learning Approaches
Iran University of Medical Sciences（伊朗医科大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
本研究针对脑肿瘤精准分类难题，结合TrAdaBoost方法增强BraTS2020数据集，构建融合ViT、CapsNet、ResNet-152、VGG16的多分类器框架，采用新型决策模板融合输出，引入额外数据集提升泛化性，实现高准确率的脑肿瘤图像分类，助力早期精准诊断。
2024-10-31 cs.AI cs.CV eess.IV
Triplet Contrastive Learning for Brain Tumor Classification
University of California, Los Angeles（加州大学洛杉矶分校）；National University of Singapore（新加坡国立大学）
脑肿瘤是一种常见和致命的癌症，影响成人和儿童。因此，将脑肿瘤分类为不同类型是一项至关重要的任务，因为它极大地影响了医生开出的治疗方案。有鉴于此，医学成像技术，特别是那些应用深度卷积网络和分类层的技术，已经被开发出来，使脑肿瘤类型的计算机辅助分类成为可能。在本文中，我们提出了一种直接学习脑肿瘤类型深度嵌入的新方法，可用于分类等下游任务。除了使用三重损失变量外，我们的方法还将对比学习应用于执行无监督的预训练，并结合罕见情况下的数据增强模块，以有效改善脑肿瘤成像分析领域的数据不足问题。我们在一个广泛的脑肿瘤数据集上评估了我们的方法，该数据集由27种不同的肿瘤类别组成，其中13种被定义为罕见。在所有的实验中使用一个共同的编码器，我们将我们的方法与基于基线分类层的模型进行了比较，结果很好地证明了我们的方法在所有测量指标上的有效性。
2021-08-08 cs.CV
Hierarchical Generalized Category Discovery for Brain Tumor Classification in Digital Pathology
Institute of Clinical Epidemiology, Public Health, Health Economics, Medical Statistics and Informatics（临床流行病学、公共卫生、健康经济学、医学统计与信息学研究所）；Institute of Neuropathology and Neuromolecular Pathology（神经病理学与神经分子病理学研究所）
针对现有脑肿瘤分类方法无法识别训练未覆盖肿瘤类别的问题，提出融合层次聚类与对比学习的HGCD-BT方法，在多模态病理数据集上取得更优的分类精度与泛化性。
2025-11-17 cs.AI cs.CV cs.LG
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
Accelerating Cerebral Diagnostics with BrainFusion: A Comprehensive MRI Tumor Framework
School of Science and Engineering（科学与工程学院）
本文提出 BrainFusion 框架，融合微调 CNN 与 YOLOv8 实现脑肿瘤 MRI 分类和定位，VGG16 达到 99.86% 准确率，并增强临床可解释性。
2025-09-29 cs.AI cs.CV cs.LG
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
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
Classification of Brain Tumors using Hybrid Deep Learning Models
Georgia Institute of Technology（佐治亚理工学院）
本研究利用迁移学习比较EfficientNetV2、EfficientNet和ResNet50在脑肿瘤分类中的性能，发现EfficientNetV2准确率最高但训练时间更长。
2025-08-02 cs.AI cs.CV eess.IV
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
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
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
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
