BrATs-Path 挑战的主要目标是为开发和公平比较能够识别具有不同组织学特征的肿瘤亚区的深度学习模型提供系统准备的完整数据集和基准环境，以进一步了解该疾病并以一致的方式协助诊断和分级。

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。

本文介绍了对nnU-Net模型进行BraTS 2020挑战的分割任务的改进方法，包括后处理、基于区域的训练、更激进的数据增强和对nnUNet管道的修改。通过重新实现BraTS排名方案，最终集成的nnU-Net在肿瘤、肿瘤核心和增强肿瘤方面的Dice分数分别为88.95、85.06和82.03，HD95值分别为8.498、17.337和17.805，获得了BraTS 2020比赛的第一名。

本文提出了一种基于3D注意力的U-Net架构，用于多区域分割大脑肿瘤。通过添加注意机制，提高了分割精度，突出了恶性组织，提高了泛化能力。在BraTS 2021任务1数据集上进行训练和评估，证明了该方法的优越性。该方法有望为理解和诊断脑部疾病做出贡献。