本研究解决了当前深度学习模型在3D胶质瘤分割中缺乏上下文建模和计算负担重的问题。我们提出GaMNet，该模型融合了NMamba模块以进行全球建模和多尺度CNN以高效提取局部特征，同时应用多尺度Gabor滤波器以提高可解释性。研究结果表明，GaMNet在减少假阳性和假阴性方面优于现有方法，从而显著提高临床诊断的可靠性。

本研究提出了一种新模型Multi-Task SWIN-UNETR (MTS-UNET)，有效解决了传统方法在胶质瘤空间异质性捕捉上的不足，展现出良好的分割和预测准确性，具有广泛的临床应用潜力。

本研究针对撒哈拉以南非洲（SSA）低质量MRI技术对机器学习方法应用的挑战，提出了一种基于深度学习的脑肿瘤分割方法。研究表明，在SSA训练数据的领域转移对模型效果没有显著影响，同时通过改进的神经风格迁移数据增强技术，提升了SSA特有医疗环境下的脑肿瘤预测能力。

本研究提出了一种统一的迁移学习方法，通过HT-CNN结合混合变换器和卷积神经网络，显著提升了3D多模态MRI图像中脑肿瘤的分割效果，从而改善临床决策和患者护理。

本研究提出了一种合成数据训练框架，以提高成人胶质瘤和脑膜瘤的分割效果，增强算法的鲁棒性，尽管该生成管道对脑膜瘤任务的适用性有限。

本研究结合Segment Anything Model（SAM）与投票网络，提出了一种针对多模态脑胶质瘤分割的新方法，适应非洲数据集的复杂性。通过边界框指导提示（SAMBA），该方法有效应对肿瘤异质性问题，尽管扫描质量较低，但在资源有限的环境中具有潜力，能够改善临床决策和神经肿瘤学研究。实验结果表明，SAM在BraTS-Africa数据集上的分割效果良好。

通过训练神经网络结构，成功在脑胶质母细胞瘤患者中准确分割和分类残余肿瘤，达到了与人类专家医师相当的性能。预测分割可将患者准确分类成残留肿瘤和完全切除两类。

本研究提出了一种创新方法，将Segment Anything Model（SAM）与投票网络相结合，用于多模态脑胶质瘤分割，并通过使用边界框指导提示（SAMBA）来适应非洲数据集的复杂性。该方法在脑肿瘤分割上取得了令人信服的结果，有潜力在资源有限的环境中深远影响临床实践。

本研究解决了现有胶质瘤分级方法中组织病理学表征学习不足和分子-组织病理知识对齐效率低下的问题。提出的“关注焦点”框架通过焦点导向的表征学习和多视角跨模态对齐，显著提升了对胶质瘤分级的准确性，尤其在仅使用组织病理幻灯片的情况下，性能优于现有的多模态方法。

ROAM是一种基于大区域兴趣和金字塔Transformer的AI模型，用于胶质瘤的诊断和分子标志物发现。研究结果表明ROAM在胶质瘤诊断任务上表现优于其他方法，并能提高病理学家的诊断准确性。

该研究使用SegResNet和MedNeXt等CNN模型进行肿瘤分割，并引入后处理方法提高分割性能。在BraTS 2023挑战中，取得第三名，测试集上的平均Dice和HD95分数分别为0.8313和36.38。

近年来，诊断胶质瘤变得越来越复杂。通过现代机器学习技术对胶质瘤组织进行组织学评估为支持诊断和预测结果提供了新机会。本综述通过对 70...

该文介绍了一种名为Multi-Beholder的模型，可预测低级别胶质瘤中五种生物标志物的状况，仅使用血液和嗜酸性染色全切片图像和切片级生物标志物状态标签。该模型基于多重实例学习框架，具有可解释性的深度学习流程，可克服分子遗传学测试的昂贵和复杂性。

本论文提出了一种新颖的端到端网络，可生成未来肿瘤掩模和不同治疗计划下肿瘤在任何未来时间点的真实磁共振成像。该模型基于扩散概率模型和深度分割神经网络，通过扩展扩散模型以包括多参数 MRI 和治疗信息作为条件输入，指导生成扩散过程，以估算给定时间点的肿瘤成长。该模型在各种任务中验证了优异性能，包括生成带有肿瘤掩模的高质量合成 MRI，时间序列肿瘤分割和不确定性估计。