建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

Aug, 2023

本文提出了一种新方法，通过后验采样的贝叶斯不确定性估计为 nnU-Net 的医学图像分割提供可靠性度量，同时通过较多的后验模型优化分割性能。在 ACDC 和 M&M 心脏 MRI 数据集上的实证表明，该方法比 Monte Carlo Dropout 和平均场贝叶斯神经网络在不确定性估计上表现得更好，同时不影响 NNu-Net 架构的性能。

Dec, 2022

研究探索了在深度神经网络中基于蒙特卡罗 Dropout 的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的 Sigmoid 输出作为概率选择更好的操作点。

Aug, 2018

本文研究在人机交互系统中，通过基于蒙特卡罗 dropout 的不确定性测量来提高透明度和性能，以解决卷积神经网络在图像分割任务中存在的置信度不足和监管政策不一致性的问题，通过多元线性回归来解释预测质量。

Jul, 2020

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

本文探究机器学习模型预测不确定性模拟的一种技术 Monte-Carlo Dropout 的聚类方法，并使用贝叶斯高斯混合模型来解决效率问题。同时研究了不同的 dropout rate，focal loss 和标度等技术，并将它们整合到 Mask-RCNN 模型中，以获得每个实例最准确的不确定性估计并进行图形展示。

May, 2023

本篇论文提出了一种基于神经网络和新型 dropout - 熵测量方法的模型以及基于特征表示的度量学习方法，可以更精确地预测，提高分类器的预测准确性，尤其在医学诊断等需要确定不确定预测的领域有广泛的应用。

Jul, 2019

本文介绍了如何使用贝叶斯建模和预测不确定性来减少误判和检测出领域外的医疗样本，通过一个贝叶斯神经网络应用于 MIMIC-III 数据集，展示了它在 ICU 患者的死亡风险预测中防止潜在误差和可靠地确定领域外患者的作用，证明了贝叶斯预测不确定性在高风险环境下机器学习模型可靠性的重要性。

Jun, 2019

研究在医学上，使用其他深度神经网络模型方法来捕捉模型的不确定性，以确定模型决策是否在个体患者上具有一定程度的可靠性，同样通过贝叶斯嵌入，RNN 模型可以更有效地捕获模型的不确定性，研究分析模型不确定性受各种输入特征以及患者亚组的影响。

Jun, 2019