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

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

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

通过使用结合了 U-Net 和条件变分自编码器的生成式分割模型，我们可以有效地产生无限数量的合理假设，以学习分割的分布，该模型可在肺部和城市街景分割任务中显着优于先前的方法，对于临床决策过程中存在的歧义问题，该模型能提供多种可能性的语义分割假设进行诊断并建议需要进一步的行动。

Jun, 2018

使用有限的多注释和丰富的无注释数据，我们提出了一种多注释半监督集成网络（MSE-Nets），用于医学图像分割任务，通过多种方法增强模型，优化可利用的注释数据，减少重复注释的需求，并提高模型在医学图像分割中的性能。

Nov, 2023

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

我们提出了一种基于 Dual KMax UX-Net 的新型半监督学习框架，该框架利用标记数据指导对未标记数据的信息提取，并通过合并未标记数据显著提高性能。实验证明，我们的方法在 Atrial Segmentation Challenge 数据集上优于现有的半监督学习方法，尤其是在 10% 和 20% 标记设置下。

Nov, 2023

该研究提出了一种高效的多视图学习框架，通过与各种变换的多个增强视图进行比较，对比学习不变的血管特征表示，以克服数据短缺问题并提高泛化能力，同时将注意机制集成到卷积神经网络中，用于进一步捕捉复杂的连续曲线状血管结构。该方法在 CHASE-DB1 数据集上验证，使用 UNet 结构获得 83.46% 的最高 F1 得分和 71.62% 的最高 IoU 得分，分别超过现有基准 UNet 方法的 1.95% 和 2.8%。该方法的快速训练和高效实施特性支持实际应用和部署。

Nov, 2023

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

提出一种用于鲜明可辨的多级细节分割的分割网络，Hierarchical Probabilistic U-Net，它采用基于条件变分自编码器的分层潜空间分解，可以在自动分离多个规模的独立因素的同时，学习跨规模的复杂结构分布，从而实现对医疗扫描的分割以及对神经生物学和自然图像实例分割的能力的提升。

May, 2019