本论文提出了一种混合高分辨率和非局部特征网络（H2NF-Net）用于脑肿瘤分割，并在BraTS 2020数据集上进行了训练和评估。结果显示该方法在肿瘤分割任务中表现出较好的性能。

我们提出了一种新方法，称为元学习，可以在缺少重要模态的情况下提高多模态模型的准确性。该方法通过自适应估计每种模态的重要性权重，并利用跨模态知识蒸馏将高重要性权重的模态的知识转移到低重要性权重的模态上，从而产生高准确性模型。实验结果表明该方法在脑肿瘤分割和音视觉-MNIST分类方面优于现有模型。

本文提出了一个病人特定的框架，用于无需跟踪的 iUS 脑肿瘤分割。通过合成超声数据模拟虚拟 iUS 扫描，并训练实时网络来消除超声成像的模糊性，适应神经外科医生的手术目标。实验证明了该方法的有效性，超过了非病人特定的模型、神经外科专家和高端跟踪系统。

本文提出了一种完全自动化的深度卷积神经网络脑肿瘤分割和分类模型，包括多尺度方法。该模型可分析MRI图像中的三种肿瘤类型，无需预处理输入图像。在公开可用的MRI图像数据集上，该方法的性能明显优于其他方法。

该研究提出了一种用于脑肿瘤分割的多编码器模型和新的分类Dice损失函数，提高了模型性能。在验证集上，该方法在完整肿瘤、肿瘤核和增强肿瘤方面的Dice分数分别为0.70249、0.88267和0.73864。

该研究提出了一种用于脑肿瘤分割的多编码器模型和新的分类Dice损失函数，能够提高模型性能。在验证集上，该方法在完整肿瘤、肿瘤核和增强肿瘤方面的Dice分数分别为0.70249、0.88267和0.73864。