关于主动学习图像分割中的不确定度估计
本研究提出了一个新颖的主动学习框架，利用Monte Carlo取样的Dropout来建模像素级别的不确定性，并分析图像信息，以有效地训练医学成像的卷积神经网络进行语义分割，且仅需要一个有限的标记训练数据。
Nov, 2017
本文旨在将最近关于评估不确定性的结果应用于基于深度学习的医学分割中的两个重要输出：产生空间不确定性映射，以便临床医生可以观察系统何时以及为何错误，以及量化图像级别的失败预测，并展示关于空间不确定性的推理是产生分割质量预测的有用中间表示。提出了一个两阶段的架构来生成这些不确定性测量，可以适应任何基于深度学习的医学分割管道。
Jul, 2018
本研究探讨了使用dropout不确定性评估的active learning策略以降低医学3D成像中神经胶质瘤MRI图像分割所需的大量注释数据，实现了最少数据量达到与全数据集训练相同水平的性能。
Feb, 2023
本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net由UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明UMA-Net优于现有方法。
Apr, 2023
本研究介绍一种混合表示增强采样策略，基于不确定性的贝叶斯主动学习 (BAL) 方法，在低肢 MRI 和 CT 图像数据集上通过 BAL 框架基于贝叶斯 U-net，选择不确定性高且密度和多样性兼顾的样本进行手动修订，从而在医学图像分割领域中有效地降低标注成本。
Jul, 2023
通过利用全局信息来估计分割不确定性的一种新方法，该方法首先学习了一个解剖感知的表示，然后将新分割的预测映射为一个解剖上可信的分割，借助于与可信分割的偏差，估计底层像素级不确定性以进一步指导分割网络，该方法仅使用一次推断从我们的表示中估计不确定性，从而减少了总计算量。该解剖感知方法在心脏磁共振成像的左心房和腹部CT扫描的多个器官这两个公开数据集上改善了分割准确性，以两个常用的评估指标衡量。
Oct, 2023
在这项研究中，我们将当前研究中不确定性方法的三个关键问题与缺乏系统和全面的评估方法相联系，并提出了一种评估框架，通过提供1）用于研究数据模糊性和分布变化的受控环境，2）对相关方法组件进行系统性切割，以及3）用于五种主要的不确定性应用（OoD检测，主动学习，故障检测，校准和歧义建模）的测试基准，来弥补研究差距。对于模拟数据和真实世界数据的实证结果表明，所提出的框架能够回答该领域的主要问题，揭示了例如：1）不确定性类型的分离在模拟数据上是有效的，但不一定适用于真实数据，2）分数的聚合是不确定性方法中重要但目前被忽视的组件，3）尽管集成模型在不同下游任务和设置中表现最为稳健，但测试时间增强常常作为一种轻量级的替代方法。
Jan, 2024
本研究针对生物医学图像分割中的不确定性量化问题，提出了一种基于证据深度学习的新框架，利用Dirichlet分布对分割标签进行建模。研究发现，证据深度学习模型在预测误差与不确定性之间的相关性方面优于传统方法，表明该模型在敏感的大模型误差检测任务上具有潜在优势。
Oct, 2024
本研究解决了深度学习图像分割算法在可靠性方面的挑战，特别是在高风险应用中的不确定性量化问题。本文提出将贝叶斯推断与不确定性量化相结合，提供了一种新的视角，并对四个关键应用进行了深入分析。最重要的发现是，不确定性量化可以提高模型的决策能力，从而增强图像分割的整体效果和可靠性。
Nov, 2024