本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法，改进了医学图像分割任务中，由于标记数据缺乏导致的训练深度学习方法所存在的问题，同时在视网膜层分割任务中表现出良好的性能。

Mar, 2021

在半监督医学图像分割领域，如何从未标记的图像中有效学习图像特征以提高分割的准确性是研究的主要方向之一，本文基于自我训练框架，通过添加样本级别和像素级别的不确定性来稳定训练过程，即有选择地重新训练未标记的样本并为伪标签分配像素级别的不确定性来优化自我训练过程，实现了更好的分割性能。

Apr, 2023

通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

Apr, 2024

本文利用多个标注者的变异性作为 “地面真相” 不确定性的来源，将其与概率 U-Net 相结合，并在 LIDC-IDRI 的肺结节 CT 数据集和 MICCAI2012 前列腺 MRI 数据集上进行测试，发现能够以提高预测不确定性的估计，同时提高样本准确度和样本多样性。在实际应用中，该方法可以告诉医生有关分割结果的置信度。

Jul, 2019

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 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

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

提出了一种新的基于不确定性正则化的半监督学习方法，利用像素级标注的有限性和图像预测不确定性来改进分割模型，通过多尺度和多阶段特征融合实现了更好的性能。

Mar, 2024

本文提出了一种基于多视角一致性的 3D 数据协同训练新框架，利用不同子网络的多样化特征来扩展协同训练，采用基于贝叶斯深度学习的不确定性加权标签融合机制来估计每个视图预测的可靠性，并通过自适应方法计算每个未标注样本的置信度，它在临床图像处理领域的效果得到了验证。

Nov, 2018

本文提出了基于数据不确定性引导的多阶段学习方法和图像不确定性引导简单数据选择和感兴趣区域重新加权方法，能够充分考虑不同类型的未标记图像并将不同阶段的模型集成在一起，从而使半监督目标检测器更加聚焦于更可靠的知识，实验结果表明，该方法与基线方法相比具有显著的优势。

Mar, 2021