发现与 Brats 相关的最受欢迎的开源项目和工具，了解最新的开发趋势和创新。
一个基于PyTorch的深度学习框架，用于多模态二维/三维医学图像分割
医学影像中Transformer应用的资源合集
Myronenko A.发表的论文《基于自动编码器正则化的三维核磁共振脑肿瘤分割》(https://arxiv.org/abs/1810.11654)的Keras实现。
这是[MICCAI2022]会议上发表的用于精确三维肿瘤分割的鲁棒体积Transformer模型的官方PyTorch实现代码。
SegFormer3D高效三维医学图像分割Transformer的官方实现（CVPRW 2024）
医学影像缺失模态问题解决方案技术的全面综述
2019年国际计算机视觉大会（ICIVC 2019）论文：基于LSTM多模态U-Net的脑肿瘤分割
利用深度卷积对抗生成网络（DCGAN）分割脑部图像扫描中的脑肿瘤
《医学图像计算与计算机辅助干预国际会议》(MICCAI 2022) 最佳论文决赛入围作品：贝叶斯伪标签：一种用于鲁棒高效半监督分割的期望最大化方法
基于拓扑损失的脑肿瘤分割TensorFlow实现
这份指南完整地介绍了如何使用 Pyradiomics 进行特征提取，并构建模型来预测胶质瘤分级。
基于多模态磁共振成像的胶质瘤分割神经网络架构搜索
用于无监督异常检测的条件扩散模型代码库
论文《基于跨模态等变约束的弱监督分割》的代码，可在 https://arxiv.org/pdf/2104.02488.pdf 获取。
使用PyTorch构建U-Net模型分割BraTS 2020数据集
本项目利用卷积神经网络（CNN）、注意力机制、深度监督和Swin-Transformer，实现了基于MRI扫描的脑肿瘤自动分割。该项目源于我在布鲁内尔大学的硕士论文，包含三个深度学习模型，展示了先进技术在医学图像分析中的整合应用。
基于多通道脑肿瘤MRI扫描的噪声到图像扩散模型训练
基于改进VGG16和UNetCNN的4D图像分割（2019印度智慧黑客马拉松决赛作品）
这项工作提出了一种与任务无关的多模态变分对抗主动学习 (M-VAAL) 方法，用于在各种医学图像分析下游任务（例如分割和分类）中选择信息量最大的样本进行标注。
Brain tumor segmentation using YOLOv8 for detection and SAM for precise mask generation on the BraTS 2021 dataset. Includes a Streamlit app for real-time visualization and is ready for deployment.
