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
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
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
Partial Information Decomposition as a Multi-Contrast 3D MRI Selection Strategy for Resource-Constrained Deep Neural Network Training in Brain Tumor Segmentation
University of Washington（华盛顿大学）
研究针对脑肿瘤分割中多对比度3D MRI分割计算量大的问题，采用部分信息分解框架对输入对排序选最优用于训练，实验表明该方法选出的T1c+T2-FLAIR是强双输入配置，证明了基于PID预训练选择的实用价值。
2026-07-20 cs.AI 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
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
Automatic Liver and Tumor Segmentation of CT and MRI Volumes using Cascaded Fully Convolutional Neural Networks
Technical University of Munich（慕尼黑工业大学）；LMU Hospital Grosshadern（路德维希-马克西米利安-慕尼黑大学格罗斯哈德恩医院）
肝脏和肝脏病变的自动分割是获得用于准确临床诊断和计算机辅助决策支持系统的定量生物标志物的重要一步。本文提出了一种方法，自动分割肝脏和病变的CT和MRI腹部图像使用级联全卷积神经网络（CFCN），使分割的大规模医疗试验或定量图像分析。我们训练和级联两个FCN的肝脏及其病变的联合分割。在第一步中，我们训练FCN以分割肝脏作为第二个FCN的ROI输入。第二FCN仅分割步骤1的预测肝脏ROI内的病变。CFCN模型在包括100个肝肿瘤体积的腹部CT数据集上训练。进一步的数据集上的验证表明，基于CFCN的语义肝脏和病变分割实现了肝脏的Dice评分超过94%，计算时间低于100秒/体积。我们进一步通过实验证明了所提出的方法在38个MRI肝脏肿瘤体积和公共3DIRCAD数据集上的鲁棒性。
2017-02-23 cs.AI cs.CV
MRI-Based Brain Tumor Detection through an Explainable EfficientNetV2 and MLP-Mixer-Attention Architecture
Kırıkkale University（克勒克卡莱大学）；Selçuk University（塞尔丘克大学）
本文提出一种结合EfficientNetV2和MLP-Mixer-Attention的可解释深度学习模型，用于高精度脑肿瘤分类，通过五折交叉验证达到99.50%的准确率，提升临床可靠性。
2025-09-08 cs.AI 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
T1-contrast Enhanced MRI Generation from Multi-parametric MRI for Glioma Patients with Latent Tumor Conditioning
Emory University（埃默里大学）；Winship Cancer Institute（温希普癌症研究所）
本文提出肿瘤感知视觉Transformer（TA-ViT）模型，利用预测分割图通过自适应层归一化零机制条件化Transformer层，从多参数MRI生成高质量T1C图像，在胶质瘤患者数据上显著优于基准模型，为无对比剂MRI提供可能。
2024-09-03 cs.AI cs.CV eess.IV
Multi-Threshold Attention U-Net (MTAU) based Model for Multimodal Brain Tumor Segmentation in MRI scans
Massachusetts General Hospital（麻省总医院）；Harvard University（哈佛大学）；General Electric Healthcare（通用电气医疗集团）；Indian Institute of Science（印度科学学院）
胶质瘤是最常见的脑肿瘤之一，分为高级别和低级别胶质瘤。肿瘤核心、强化区等区域的分割对判断肿瘤的严重程度和预后有重要作用。在这里，我们已经开发了一个多阈值模型的基础上注意力的U-Net的磁共振成像（MRI）中的肿瘤的各个区域的识别。我们提出了一种多路径分割，并建立了三个独立的模型，为不同的兴趣区域。所提出的模型在训练数据集上分别实现了增强肿瘤、整个肿瘤和肿瘤核心的平均Dice系数为0.59、0.72和0.61。同一模型在验证数据集上给出的平均Dice系数为0.57、0.73和0.61，在测试数据集上给出的平均Dice系数为0.59、0.72和0.57。
2021-01-29 cs.AI cs.CV eess.IV
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
Image Processing Techniques for identifying tumors in an MRI image
Vellore Institute of Technology（韦洛尔理工大学）
医学共振成像或MRI是一种使用无线电波扫描身体的医学图像处理技术。它是一种断层成像技术，主要用于放射学领域。MRI具有无痛诊断程序的优点，使医务人员能够清楚地显示身体内发生的解剖结构和生理过程，从而可以早期发现和治疗疾病。这些图像与图像处理技术相结合，可用于检测肉眼难以识别的肿瘤。这份数字作业调查了自动肿瘤检测（ATD）中使用的不同图像处理技术。本文首先对传统的图像分割技术，如形态学工具（MT）和区域生长技术（RGT）进行了比较。
2021-03-28 cs.CV
United adversarial learning for liver tumor segmentation and detection of multi-modality non-contrast MRI
Shandong Normal University（山东师范大学）；Western University（韦仕敦大学）
利用多模态非对比剂磁共振成像（NCMRI）对肝脏肿瘤（血管瘤和肝细胞癌（HCC））进行同步分割和检测对于临床诊断至关重要。然而，由于NCMRI图像中HCC信息的不可见性或不充分性，使得肝肿瘤特征提取困难;多模态NCMRI图像特征的多样性，使得特征融合和选择困难; NCMRI图像中血管瘤和HCC之间缺乏特异性信息，使得肝肿瘤检测困难，这仍然是一项具有挑战性的任务。在这项研究中，我们提出了一个联合对抗学习框架（UAL），用于使用多模态NCMRI同时进行肝脏肿瘤分割和检测。UAL首先利用多视图感知编码器来提取用于肝脏肿瘤分割和检测的多模态NCMRI信息。在该编码器中，一个新的边缘相异性特征金字塔模块的设计，以促进互补的多模态特征提取。其次，利用新设计的融合选择通道对多模态特征进行融合，并做出特征选择决策。然后，提出的坐标共享与填充机制集成了分割和检测的多个任务，使多个任务能够在一个时间内执行联合对抗学习。最后，一种创新的多阶段放射组学引导的神经网络利用明确和具体的肿瘤信息，通过对抗性学习策略来提高多任务性能。在255名临床受试者的相应多模态NCMRI（即T1 FS预增强MRI、T2 FS MRI和DWI）和三期对比增强MRI中确认了UAL。实验结果表明，UAL在肝脏肿瘤的临床诊断中具有很大的潜力。
2022-01-07 cs.AI cs.CV eess.IV
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
PhyDCM: A Reproducible Open-Source Framework for AI-Assisted Brain Tumor Classification from Multi-Sequence MRI
Department of medical physics College of Science, University of Al-Qadisiyah（卡迪西亚大学理学院医学物理系）
PhyDCM通过集成MedViT混合分类架构和标准化DICOM处理，提供可重复的AI脑肿瘤分类框架，实现高准确率和模块化设计。
2026-03-25 cs.AI cs.CV
Revolutionizing Brain Tumor Imaging: Generating Synthetic 3D FA Maps from T1-Weighted MRI using CycleGAN Models
University of Cambridge（剑桥大学）；Cambridge Brain Tumour Imaging Lab（剑桥脑肿瘤成像实验室）
本文首次提出用CycleGAN从T1加权MRI直接生成健康及肿瘤组织的3D FA图，经SSIM和PSNR验证在肿瘤区域表现稳健，有望减少额外扫描、改善临床流程。
2025-05-06 cs.AI cs.CV
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
Gradient Map-Assisted Head and Neck Tumor Segmentation: A Pre-RT to Mid-RT Approach in MRI-Guided Radiotherapy
Aarhus University（奥胡斯大学）；Aarhus University Hospital（奥胡斯大学医院）
本研究提出利用前中期图像和梯度图作为先验知识，增强MRI引导自适应放疗中的头颈癌中期肿瘤分割，在挑战赛测试集上GTVp和GTVn的DSCagg平均得分达0.70，有助于改进治疗规划。
2024-10-16 cs.AI cs.CV physics.med-ph
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
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
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 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
Enhancing MRI Brain Tumor Segmentation with an Additional Classification Network
Vingroup Big Data Institute (VinBigdata)（越南 VinBigdata 大数据研究院）；Hanoi University of Science and Technology (HUST)（河内科技大学）；University of Engineering and Technology (UET), VNU（越南国立大学工程技术大学）
脑肿瘤分割在医学图像分析中起着至关重要的作用。在最近的研究中，深度卷积神经网络（DCNN）在处理肿瘤分割任务方面非常强大。在本文中，我们提出了一种新的训练方法，通过向网络添加额外的分类分支来增强分割结果。整个网络在多模式脑肿瘤分割挑战（BraTS）2020训练数据集上进行端到端训练。在BraTS的验证集上，增强肿瘤、整个肿瘤和肿瘤核心的平均Dice评分分别为78.43%、89.99%和84.22%。
2020-10-28 cs.CV eess.IV
Diffusion-Refined Segmentation and Vision-Language Interpretation for Pediatric Brain Tumor MRI
Department of Mechanical Engineering, Stanford University（斯坦福大学机械工程系）；School of Medicine, Stanford University（斯坦福大学医学院）
提出两阶段框架，先用Swin-UNETR粗分割，再用条件扩散模型细化边界，最后结合多模态语言模型生成结构化报告，提升儿童脑肿瘤分割精度和可解释性。
2026-06-15 cs.CL cs.CV
BiTr-Unet: a CNN-Transformer Combined Network for MRI Brain Tumor Segmentation
New York University（纽约大学）
卷积神经网络（CNN）在自动分割3D医学图像上的器官或病变方面取得了显着的成功。最近，Vision Transformer网络在2D图像分类任务中表现出卓越的性能。与神经网络相比，Transformer网络由于其自注意算法在提取长距离特征方面具有很大的优势。因此，我们提出了一个CNN-Transformer组合模型，称为BiTr-Unet，对多模态MRI扫描的脑肿瘤分割进行了特定的修改。我们的BiTr-Unet在BraTS 2021验证数据集上实现了良好的性能，对于整个肿瘤、肿瘤核心和增强肿瘤，中值Dice评分分别为0.9335、0.9304和0.8899，中值Hausdorff距离分别为2.8284、2.2361和1.4142。在BraTS 2021测试数据集上，Dice评分的相应结果分别为0.9257、0.9350和0.8874，Hausdorff距离的相应结果分别为3、2.2361和1.4142。该代码可在https://github.com/JustaTinyDot/BiTr-Unet上公开获取。
2021-12-30 cs.AI cs.CV cs.LG
Application Of Fuzzy System In Segmentation Of MRI Brain Tumor
图像分割在图像处理领域占有重要地位。当通常处理需要术前和术后决策以启动和加速恢复过程的医学图像时，它变得更加重要。由于肿瘤几何形状和强度模式的可变性，从磁共振图像（MRI）中分割3-D肿瘤结构是一个非常具有挑战性的问题。水平集进化结合了全局平滑性和拓扑变化的灵活性，与传统的统计分类和数学形态学相比具有显着的优势。具有恒定传播的水平集演化需要完全在肿瘤内部或外部初始化，并且可以通过弱或缺失的边界部分泄漏。用统计力代替常数传播项克服了这些限制，并导致收敛到稳定的解。使用呈现肿瘤的MR图像，根据对比前后差异图像和直方图的混合建模拟合来计算背景和肿瘤区域的概率。整个图像用于初始化水平集演化以分割肿瘤边界。
2010-05-24 cs.CV
From Healthy Scans to Annotated Tumors: A Tumor Fabrication Framework for 3D Brain MRI Synthesis
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；School of Computer and Mathematical Sciences（计算机与数学科学学院）
本文提出了一种名为Tumor Fabrication的新型框架，通过无配对的3D脑肿瘤合成方法，利用健康图像和少量真实标注数据生成大量合成数据，以提升低数据环境下的肿瘤分割性能。
2025-11-23 cs.CV
Treatment-aware Diffusion Probabilistic Model for Longitudinal MRI Generation and Diffuse Glioma Growth Prediction
Oslo University Hospital（奥斯陆大学医院）；Universitat Politècnica de València（瓦伦西亚理工大学）；Instituto Universitario de Tecnologías de la Información y Comunicaciones（信息技术与通信大学学院）
本文提出一种治疗感知的扩散概率模型，结合深度分割网络，利用纵向MRI和肿瘤分割图预测弥漫性胶质瘤在不同治疗下的未来生长及生成多参数MRI，为临床决策提供支持。
2025-01-22 cs.CV eess.IV
Acquisition Time-Informed Breast Tumor Segmentation from Dynamic Contrast-Enhanced MRI
Yale University（耶鲁大学）
本文提出了一种利用成像时间信息提升乳腺DCE-MRI肿瘤分割性能的方法，通过FiLM层调节模型特征，提高分割精度和泛化能力。
2025-11-20 cs.CV
Capsule Networks for Brain Tumor Classification based on MRI Images and Course Tumor Boundaries
Concordia Institute for Information Systems Engineering, Concordia University（康考迪亚大学康考迪亚信息系统工程研究所）；University of Toronto（多伦多大学）
据官方统计，癌症被认为是人类死亡的第二大原因。在不同类型的癌症中，脑肿瘤由于其侵袭性、异质性和相对存活率低而被视为最致命的形式之一。确定脑肿瘤的类型对治疗选择和患者的生存有重要影响。以人为中心的诊断通常是容易出错和不可靠的，导致最近的兴趣激增，使用卷积神经网络（CNN）自动化这个过程。然而，CNN未能充分利用空间关系，这对肿瘤分类特别有害，因为肿瘤与其周围组织之间的关系是肿瘤类型的关键指标。在我们最近的工作中，我们结合了新开发的CapsNet来克服这个缺点。然而，CapsNet对各种图像背景高度敏感。本文件解决了这一差距。其主要贡献是使CapsNet能够进入肿瘤周围组织，而不会使其从主要目标上分心。因此，提出了一种改进的CapsNet架构用于脑肿瘤分类，该架构将肿瘤粗边界作为其管道内的额外输入，以增加CapsNet的焦点。所提出的方法明显优于其同行。
2018-11-01 cs.CV
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
Exploiting Test-Time Augmentation in Federated Learning for Brain Tumor MRI Classification
Institute of Exact and Technological Sciences, Federal University of Viçosa - UFV, Rio Paranaíba-MG, Brazil（精确与技术科学研究所，弗拉维亚联邦大学-UFV，里奥帕拉纳伊巴-MG，巴西）；Department of Computing, Federal University of São Carlos, São Carlos-SP, Brazil（计算系，萨o卡洛斯联邦大学，萨o卡洛斯-SP，巴西）
本文提出在联邦学习中结合测试时增强和轻量预处理以提升脑肿瘤MRI分类的准确性。
2026-01-19 cs.AI cs.CV cs.LG
A hybrid approach based segmentation technique for brain tumor in MRI Images
Madurai Kamaraj University（马杜赖卡马拉吉大学）
在医学图像处理中，图像的自动分割是肿瘤检测的关键，而人工或半自动分割技术通常需要较多的时间和知识。然而，这些缺点已经克服了自动分割仍然需要开发更合适的技术用于医学图像分割。因此，我们提出了基于混合方法的图像分割使用区域生长和阈值分割技术相结合的功能。接下来是预处理阶段，以通过磁共振成像（MRI）提供准确的脑肿瘤提取。如果肿瘤有空洞，区域生长分割算法不能显示，但所提出的混合分割技术可以实现和改善的结果。因此，该结果用于评估各种性能指标，如DICE，JACCARD相似性，准确性，灵敏度和特异性。这些相似性度量已被广泛用于评价与地面真理的每一个处理后的图像，其结果进行了比较和分析。
2016-03-08 cs.CV
Brain Tumor 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
Multiclass MRI Brain Tumor Segmentation using 3D Attention-based U-Net
Strathmore University（斯特拉斯莫尔大学）
提出一种3D注意力U-Net，利用多模态MRI堆叠体积进行脑肿瘤多区域分割，在BraTS 2021数据集上提升准确性并降低计算资源消耗。
2023-05-10 cs.CV eess.IV
Brain Tumor Classification from MRI Scans via Transfer Learning and Enhanced Feature Representation
Department of CSE, Netrokona University（计算机科学与工程系，Netrokona大学）；Department of CSE, The University of Rajshahi（计算机科学与工程系，拉贾沙希大学）；Department of Information Technology, Allen E. Paulson College of Engineering and Computing, Georgia Southern University（信息技术系，乔治亚南方大学）；Centre for Image and Vision Computing (CIVC), COE for Artificial Intelligence, Faculty of Artificial Intelligence and Engineering (FAIE), Multimedia University（图像与视觉计算中心（CIVC），人工智能学院，人工智能与工程学院，多媒体大学）
本文提出结合 ResNet50、GAP、线性投影与新型 Dense-Dropout 序列的脑肿瘤 MRI 分类框架，并构建经临床验证的 MMCBT 数据集，通过增强缓解类别不平衡。
2025-09-26 cs.CV
An efficient FPGA implementation of MRI image filtering and tumor characterization using Xilinx system generator
PSG College of Technology（PSG理工学院）
本文提出了一种使用Xilinx System Generator（XSG）进行各种图像滤波算法和肿瘤表征的高效架构。该架构通过结合MATLAB、Simulink和XSG的图形用户界面提供了一种替代方案，并探讨了与硬件实现有关的重要方面。在SPARTAN-3E入门套件（XC 3S 500 E-FG 320）中实现的这种架构的性能超过了类似或更高资源架构的性能。该架构将目标设备上的可用资源减少了50%。
2012-01-12 cs.AR cs.CV
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
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
TumorFlow: Physics-Guided Longitudinal MRI Synthesis of Glioblastoma Growth
Technical University of Munich (TUM), Germany（慕尼黑技术大学（TUM））；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；AI for Image-Guided Diagnosis and Therapy（图像引导诊断与治疗的AI）；Chair for AI in Healthcare and Medicine, TUM and TUM University Hospital, Munich, Germany（医疗与医学中的AI主任，慕尼黑技术大学及慕尼黑大学医院）
TumorFlow通过结合生物物理模型和生成模型，实现胶质瘤纵向MRI的合成，提供可解释的肿瘤生长估计和可控的合成数据生成。
2026-03-05 cs.CV
Evaluating the Impact of Sequence Combinations on Breast Tumor Segmentation in Multiparametric MRI
CSIRO（联邦科学与工业研究组织）
本研究系统评估了T2w、DCE-MRI、DWI及ADC图的不同序列组合对nnU-Net乳腺肿瘤分割的影响，发现DCE序列对FTV分割效果最好，而加入预测FTV可提升WTM分割性能，为mpMRI预测乳腺癌治疗反应提供了基础。
2024-06-12 cs.CV eess.IV
Generative Adversarial Synthesis and Deep Feature Discrimination of Brain Tumor MRI Images
King Fahd University of Petroleum and Minerals（国王法赫德石油矿物大学）；SDAIA-KFUPM Joint Research Center for Artificial Intelligence（SDAIA-KFUPM人工智能联合研究中心）
提出基于DC-GAN的脑肿瘤MRI合成数据生成方法，并利用CNN分类器验证合成图像在下游分类任务中与真实图像具有相当的性能。
2025-11-03 cs.CV
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
CNN-ViT Fusion with Adaptive Attention Gate for Brain Tumor MRI Classification: A Hybrid Deep Learning Model
Department of Biomedical Engineering（生物医学工程系）；Hamdard University（哈姆达德大学）；Sir Syed University（西迪·萨伊德大学）
本文提出一种融合CNN和ViT的混合模型，通过自适应注意力门动态加权局部和全局特征，提升脑肿瘤MRI分类性能，实验结果显示其准确率、召回率等指标均优于传统方法。
2026-04-25 cs.AI cs.CV q-bio.QM
Detection and Demarcation of Tumor using Vector Quantization in MRI images
SVKM’s NMIMS University（SVKM's NMIMS大学）；T.S.E.C.；V.E.S.I.T
将MRI图像分割成代表不同组织类型的均匀纹理区域通常是计算机辅助乳腺癌检测中有用的预处理步骤。这就是为什么我们提出了一种新的算法来检测乳腺癌图像中的癌症。在本文中，我们提出了分割使用矢量量化技术。在这里，我们使用林德Buzo-Gray算法（LBG）的MRI图像分割。最初，为MRI图像生成大小为128的码本。使用相同的LBG算法将这些码向量进一步聚类为8个簇。结果显示了这8幅图像。这种方法不会导致过度分割或分割不足。为了比较的目的，我们显示的结果分水岭分割和熵使用灰度共生矩阵随着这种方法。
2010-01-23 cs.CV
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
A Novel Confidence Induced Class Activation Mapping for MRI Brain Tumor Segmentation
National Tsing Hua University（国立清华大学）；University of Notre Dame（圣母大学）；The Chinese University of Hong Kong（香港中文大学）
本文提出置信度诱导类激活映射Cfd-CAM，利用目标类别置信度计算特征图权重，以改进弱监督脑肿瘤分割，并在两个数据集上超越现有方法。
2023-10-30 cs.CV
Hierarchical Deep Feature Fusion and Ensemble Learning for Enhanced Brain Tumor MRI Classification
Department of Computer Science and Artificial Intelligence（计算机科学与人工智能系）；Dongguk University（东国大学）
本研究提出双集成框架，结合预训练ViT的深度特征提取与优化ML分类器，通过特征级和分类器级双层集成，在两个脑肿瘤MRI数据集上超越现有方法，提升诊断准确性。
2025-06-14 cs.CV
Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing
研究乳腺MRI肿瘤分类中深度学习模型因域转移和数据集来源偏差而跨机构失败的问题，通过构建类级混合训练集控制偏差，显著提升了WaveViT - Small和EfficientNet - B3在MAMA - MIA上的分类准确率和F1值。
2026-07-22 cs.CV cs.LG
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
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
3D Dilated Multi-Fiber Network for Real-time Brain Tumor Segmentation in MRI
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；University of Science and Technology Beijing（北京科技大学）；Scoop Medical
脑肿瘤的分割在医学图像处理中占有举足轻重的地位。在这项工作中，我们的目标是分割脑MRI卷。3D卷积神经网络（CNN），如3D U-Net和V-Net，采用3D卷积来捕获相邻切片之间的相关性，已经取得了令人印象深刻的分割结果。然而，这些3D CNN架构由于多层3D卷积而具有高计算开销，这可能使得这些模型对于实际的大规模应用是禁止的。为此，我们提出了一种高效的3D CNN来实现实时的【形】密集体积分割。该网络利用由轻量级3D卷积网络集合组成的3D多光纤单元，以显着降低计算成本。此外，3D扩张卷积用于构建多尺度特征表示。在BraTS-2018挑战数据集上的大量实验结果表明，所提出的架构大大降低了计算成本，同时保持了脑肿瘤分割的高精度。源代码可以在https://github.com/China-LiuXiaopeng/BraTS-DMFNet上找到
2019-09-21 cs.CV
A Comparison of Two Human Brain Tumor Segmentation Methods for MRI Data
最常见的原发性脑肿瘤是神经胶质瘤，从大脑支持细胞进化而来。对于临床随访，术前肿瘤体积的评估是必不可少的。通过手动分割其轮廓对肿瘤体积进行体积评估是一个耗时的过程，可以在计算机分割方法的帮助下克服。在这方面的贡献，世界卫生组织（WHO）的IV级胶质瘤分割在人脑中的两种方法进行了比较，使用磁共振成像（MRI）患者的数据，从临床常规。一种方法使用球囊膨胀力，并且依赖于与造影剂钆的使用相结合的高强度肿瘤边界的检测。另一种方法是建立一个有向图和加权图，并进行最小割，以获得最佳分割结果。肿瘤边界的真实情况-用于评估27例病例的方法-由具有多年胶质瘤切除经验的神经外科医生手动提取。使用Dice相似系数（DSC）进行比较，这是一种测量不同分割结果的空间重叠的方法。
2011-03-10 cs.CV physics.med-ph
