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。

本研究提出了一种改进的多任务脑肿瘤分割方法，利用合成数据增强算法提升成人胶质瘤和脑膜瘤的分割效果。研究表明，合成数据能有效改善分割工具的性能。

BraTS-PEDs 2023挑战专注于儿童脑肿瘤，旨在开发高精度的体积分割算法，利用多模态MRI数据和标准化评估指标，促进神经肿瘤学家与人工智能专家的合作，推动数据共享和自动化分析技术的发展，以改善儿童脑肿瘤的治疗效果。

本研究提出了一种基于3D CNN的自动分割网络，用于胶质瘤的MRI数据分析。通过训练神经网络，该方法在肿瘤分割和分类方面表现出高准确率，Dice分数达到61%。同时，采用循环残差U-Net模型对三种脑肿瘤进行分割，平均交并比为0.8665，显示出深度学习在脑肿瘤分割中的优势。

本文提出了一种基于深度学习的交互分割框架，结合卷积神经网络（CNN）和图像特定微调，显著提高了分割准确性。同时，研究探讨了多模态脑胶质瘤分割的新方法，利用SAM与投票网络结合，适应资源有限环境，改善临床决策。实验结果表明，该方法在BraTS-Africa数据集上表现优异。

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。

该研究提出了一种多模态学习框架，通过医学图像提取IDH基因突变特征，以预测胶质瘤基因型。实验结果表明，该模型优于传统深度学习方法，提供了新的预测手段。此外，研究还介绍了基于图神经网络的多种模型，提升了阿尔茨海默病和乳腺癌的诊断精度，展示了在肿瘤成长建模和MRI生成中的应用潜力。

该研究利用深度学习技术对亚撒哈拉地区儿童脑肿瘤的多模态磁共振成像数据进行分析，成功构建了精确的分割模型，Dice评分达到0.82至0.87。研究结果表明，集成方法优于单一模型，为脑肿瘤的诊断和治疗提供了重要参考。

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。