本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

Jun, 2019

该研究旨在探索和分析医学成像中多位专家对同一图像进行解释和注释的情况下分割结果的可变性，引入了一种新颖的基于贝叶斯神经网络的架构来评估医学图像分割的标记者之间的不确定性，并使用一种包含关注模块的一编码器多解码器架构，该方法在七个不同的任务中超过了现有的基准方法，并提供了代码、模型和新数据集。

Jun, 2023

本文提出了一种数据增强方法，使用 3D 变分自动编码器分析图像形变分布并生成新的 MRI 图像，以帮助改进仅利用极少标记数据的医学影像分割性能，同时还建立了一种新的标准分割基准来进一步评估模型的泛化能力。

Feb, 2021

通过多维概率分布模型，将医学影像标记者的标注行为与影像的特征图结合起来，提出了一种名为 Pionono 的新模型，用于概率分割预测。模型通过变分推断进行优化，具备端到端训练的能力。实验证明 Pionono 在真实癌症分割数据集上具有高准确性和高效性，是一种强大的医学影像分析工具。

Jul, 2023

医学图像分割中的不确定性，尤其是来自不同专家的解释和注释差异所导致的评分者之间的变异性，对于实现一致可靠的图像分割存在重大挑战。本文总结了 Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ) 的基准结果，重点关注医学图像分割中评分者变异性的不确定性量化，并考虑了图像数据集中普遍存在的这种不确定性。结果表明整合模型的重要性以及发展高效的三维不确定性量化方法的进一步研究的需求。

Mar, 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

在医学成像领域，我们提出了一种用于生物医学图像分割的 PULASki 方法，它准确地捕捉多个专家注释之间的变异性，即使在小数据集中也是如此。我们的方法利用基于统计距离的改进损失函数在条件变分自动编码器结构（概率 UNet）中，对比于标准的交叉熵，改善了条件解码器的学习，特别适用于类别不平衡问题。我们分析了两个不同结构的分割任务（颅内血管和多发性硬化症（MS）损伤），并将我们的结果与四个成熟的基准方法进行了定量度量和定性输出的比较。实证结果表明 PULASKi 方法在 5% 的显著性水平下优于所有基准方法。生成的分割结果在二维情况下尤其适用于血管任务，更具解剖学可行性。我们的方法还可以应用于大范围的多标签分割任务，并且在计算流体动力学和数据同化的血液动力学建模、临床决策和治疗规划等下游任务中非常有用。

Dec, 2023

通过使用测试时数据增强、测试时 dropout 和深度集成等方法衡量不同评分者之间的不一致性对模型的不确定性的影响，并比较了 UNet 和 TransUNet 在标签融合策略和深度学习模型不确定性上的差异，以多类椎旁肌分割为案例研究，揭示了评分者不一致性与不确定性之间的相互作用。

Aug, 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

通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023