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

本文提出了一种基于师生模型的双不确定加权半监督分割方法，其中老师模型通过对标签和未标签数据的不一致预测惩罚来指导学生模型，我们使用贝叶斯深度学习训练教师模型，这是首次将分割不确定性延伸到特征不确定性，我们设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习，并通过定性和定量分析验证了所提出的特征不确定性和损失函数的有效性，实验结果表明，我们的方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。

Oct, 2020

该论文提出了一种基于贝叶斯深度学习的视网膜层分割和不确定性量化方法，其不仅可以进行视网膜层的端对端分割，而且还可以提供像素级的不确定性度量。通过生成的不确定性地图，可以识别出错误分割的图像区域，从而用于下游分析。该方法在视网膜图像分割方面具有可比或更好的性能，并且更加稳健抗噪声。

Sep, 2018

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

本文介绍了一种新颖的基于不确定性的半监督深度学习框架，可将未标记的数据有效地整合到左心房分割任务中，并在医学图像分析领域中表现出潜在的半监督解决方案。

Jul, 2019

本文介绍了一种基于 Bayesian 深度学习的模型，用于对病理性 OCT 扫描中的光感受层进行分割，该架构提供了准确的光感受层分割结果，并生成显示可能的病理或分割错误区域的像素级别知识不确定性图。我们在两组与视网膜黄斑病变、视网膜静脉阻塞和糖尿病性黄斑水肿相关的病理性 OCT 扫描中进行了经验性评估，该方法在 Dice 指数和精度 / 召回曲线下的区域下，提高了基线 U-Net 的性能。我们还观察到不确定性估计与模型性能成反比，突显了其用于强调可能需要进行手动检查 / 修正的区域的效用。

Jan, 2019

本文提出一种新的半监督医学图像分割模型 CoraNet，基于我们的不确定性估计和分离自我训练策略，通过估计不确定性来提高分割结果的一致性，与现有技术相比，我们的方法表现更优，并对其与传统不确定性估计方法进行了分析和比较。

Oct, 2021

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

本论文提出了一种基于深度学习的图像分割框架 UMCT，通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务，实现针对大量未标注数据的高效分析处理和标注，获得了半监督医学影像分割方面的最佳表现，并成功将模型应用于医学影像解剖结构的领域自适应。

Jun, 2020