arXiv 2602.217032026-02-25cs.CVcs.LG

针对非增强脑肿瘤部分的脑肿瘤分割

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）

T. Schaffer, A. Brawanski, S. Wein, A. M. Tomé, E. W. Lang

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

AI总结：

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。

摘要：

本文设计了一种基于U-Net的深度学习架构，用于在各种MRI模态下分割脑肿瘤。特别强调非增强肿瘤部分。后者在最近的脑肿瘤分割挑战中如MICCAI挑战中已不再考虑。然而，它被认为与患者的生存时间以及进一步的肿瘤生长区域有关。因此，有必要有自动确定其在肿瘤内扩展的方法。

英文摘要：

A U-Net based deep learning architecture is designed to segment brain tumors as they appear on various MRI modalities. Special emphasis is lent to the non-enhancing tumor compartment. The latter has not been considered anymore in recent brain tumor segmentation challenges like the MICCAI challenges. However, it is considered to be indicative of the survival time of the patient as well as of areas of further tumor growth. Hence it deems essential to have means to automatically delineate its extension within the tumor.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于单次彩色去卷积深度神经网络的免疫组织化学组织分割

Generalizing multistain immunohistochemistry tissue segmentation using one-shot color deconvolution deep neural networks

Roche Innovation Center Munich（罗氏慕尼黑创新中心）；Technische Universität München（慕尼黑工业大学）；SagivTech LTD.（SagivTech有限公司）

癌症免疫治疗生物标志物研究中的一个关键挑战是量化肿瘤活检的显微镜全载玻片图像中的模式变化。不同的细胞类型倾向于迁移到各种组织隔室中并形成可变的分布模式。药物开发需要对组织区室中和组织区室之间的各种生物标志物进行相关分析。为了实现这一点，组织载玻片由专家病理学家手动注释。组织载玻片的手动注释是劳动密集型、繁琐且容易出错的任务。这种注释过程的自动化可以提高准确性和一致性，同时减少工作量和成本，这将对药物开发工作产生积极影响。在本文中，我们提出了一种新的一次性彩色去卷积深度学习方法，用于自动分割和注释具有多种染色的数字化载玻片图像，将其分为肿瘤，健康组织和坏死组织。我们在药物开发的背景下解决这个问题，其中存在多种染色剂，组织和肿瘤类型，并研究这些图像人群的泛化解决方案。

2018-09-22cs.CV

BraTS 2023颅内脑膜瘤分割挑战赛分析

Analysis of the BraTS 2023 Intracranial Meningioma Segmentation Challenge

Duke University Medical Center（杜克大学医学中心）；Indiana University School of Medicine（印第安纳大学医学院）；Indiana University（印第安纳大学）；Thomas Jefferson University（托马斯杰斐逊大学）；University of California San Francisco（加利福尼亚大学旧金山分校）；Yale University（耶鲁大学）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；University of Missouri（密苏里大学）；Children’s Hospital of Philadelphia, University of Pennsylvania（宾夕法尼亚大学费城儿童医院）；University of Pennsylvania（宾夕法尼亚大学）；Helmholtz Munich（亥姆霍兹慕尼黑）；Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar, Technical University of Munich（慕尼黑工业大学右岸医院）；University of California San Francisco (UCSF)（加利福尼亚大学旧金山分校）

本文介绍了BraTS 2023颅内脑膜瘤分割挑战赛的设计与结果，九个团队基于最大多机构脑膜瘤MRI数据集开发深度学习模型，为未来自动分割算法提供了基准。

2025-03-07cs.CVcs.LGeess.IV

QU-BraTS：MICCAI BraTS 2020 脑肿瘤分割不确定性量化挑战赛——排名评分分析与基准测试结果

QU-BraTS: MICCAI BraTS 2020 Challenge on Quantifying Uncertainty in Brain Tumor Segmentation - Analysis of Ranking Scores and Benchmarking Results

McGill University（麦吉尔大学）；University of Oxford（牛津大学）；University of Pennsylvania（宾夕法尼亚大学）；Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；University of Bern（伯尔尼大学）；Bern University Hospital（伯尔尼大学医院）；University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）；Universidad de los Andes（洛斯安第斯大学）；Imperial College London（帝国理工学院）；Indian Statistical Institute（印度统计研究所）；University of Calcutta（加尔各答大学）；Uppsala University（乌普萨拉大学）；The University of Pittsburgh Medical Center（匹兹堡大学医学中心）；Inserm（法国国家健康与医学研究院）；University of Auckland（奥克兰大学）；Auckland City Hospital（奥克兰市医院）；Massachusetts General Hospital（麻省总医院）；Massachusetts Institute of Technology（麻省理工学院）；EPITA Research and Development Laboratory (LRDE)（EPITA研发实验室）；Old Dominion University（老道明大学）；University of Girona（赫罗纳大学）；University of Tehran（德黑兰大学）；University of Nottingham（诺丁汉大学）；NVIDIA（英伟达）；University of Virginia（弗吉尼亚大学）；Indian Institute of Technology - Jodhpur（印度理工学院焦特布尔分校）

本文评估了QU-BraTS挑战赛中用于脑肿瘤多区域分割不确定性估计的评分方法，并对14个团队的不确定性结果进行基准测试，证实了不确定性量化在医学图像分析中的重要性与互补价值。

2022-08-23cs.CVcs.LGeess.IV

使用生成对抗网络在BraTS数据集中从可用模态合成缺失的MRI序列

Synthesizing Missing MRI Sequences from Available Modalities using Generative Adversarial Networks in BraTS Dataset

本文利用生成对抗网络（GAN）从任意三种可用MRI序列合成缺失的第四种序列，以解决BraTS数据集中MRI序列不完整的问题，并集成到GaNDLF框架中，提升诊断能力。

2023-11-15cs.CVcs.LGeess.IV

RSNA-ASNR-MICCAI BraTS 2021脑肿瘤分割和放射基因组学分类基准

The RSNA-ASNR-MICCAI BraTS 2021 Benchmark on Brain Tumor Segmentation and Radiogenomic Classification

University of Pennsylvania（宾夕法尼亚大学）；University of California San Francisco（加利福尼亚大学旧金山分校）；University of Toronto（多伦多大学）；Harvard Medical School（哈佛医学院）；Thomas Jefferson University（托马斯·杰斐逊大学）；Universidade Federal de São Paulo（圣保罗联邦大学）；Diagnósticos da América SA（美洲诊断公司）；Technical University of Munich（慕尼黑工业大学）；The Ohio State University Wexner Medical Center（俄亥俄州立大学韦克斯纳医学中心）；Sage Bionetworks；Kaggle；Leidos Biomedical Research, Inc.（Leidos 生物医学研究公司）

BraTS 2021挑战赛庆祝其成立10周年，由北美放射学会（RSNA），美国神经放射学会（ASNR）和医学图像计算和计算机辅助干预（MICCAI）协会联合举办。自成立以来，BraTS一直专注于成为脑胶质瘤分割算法的共同基准测试场所，拥有精心策划的多机构多参数磁共振成像（mpMRI）数据。胶质瘤是中枢神经系统最常见的原发性恶性肿瘤，具有不同程度的侵袭性和预后。RSNA-ASNR-MICCAI BraTS 2021挑战的目标是评估计算算法，在2，040例患者的术前基线mpMRI数据中评估相同的肿瘤区室化以及潜在肿瘤的分子特征。具体而言，BraTS 2021关注的两项任务是：a）组织学上不同的脑肿瘤子区域的分割，以及b）肿瘤的O[6]-甲基鸟嘌呤-DNA甲基转移酶（MGMT）启动子甲基化状态的分类。BraTS 2021中所有参与算法的性能评估将通过Sage Bionetworks Synapse平台（任务1）和Kaggle（任务2）进行，最后向排名最高的参与者发放60，000美元的奖金。

2021-09-12cs.CV

非小细胞肺癌中一个组织和细胞级标注的 H&E 与 PD-L1 组织病理学图像数据集

A tissue and cell-level annotated H&E and PD-L1 histopathology image dataset in non-small cell lung cancer

Radboud University Medical Center（拉德堡德大学医学中心）；University of Brescia（布雷西亚大学）；Ospedale Sacro Cuore（圣十字医院）；Provincial Hospital of Bolzano (SABES-ASDAA)（博尔扎诺省医院）；University and Hospital Trust of Verona（威尼斯大学与医院信托）；Karolinska University Hospital（卡罗林斯卡大学医院）；Biopticka Laboratory, Ltd（Biopticka实验室）

本文发布 IGNITE 多中心多染色 NSCLC 全切片数据集，提供 155 名患者、887 个标注区域，支持组织分割、细胞核检测和 PD-L1 阳性肿瘤细胞检测。

2025-07-21cs.CVeess.IVq-bio.QM

更多相关论文收起更多论文

AMN：一种用于细胞核分割的具有边界和不确定性建模的自适应多尺度融合网络

AMN: An Adaptive Multi-Scale Fusion Network with Boundary and Uncertainty Modeling for Nuclei Segmentation

Department of Computer Science \& Engineering, Amrita School of Computing, Bengaluru, Amrita Vishwa Vidyapeetham, India , 2 p\

提出AMN双编码器分割框架，融合Swin Transformer和ResNet-50特征金字塔，通过门控机制动态加权，结合多目标损失，在CoNIC基准上平均Dice 0.82，F1 0.68，优于八种基线模型。

2026-05-31cs.AIcs.CV