通过在医学图像分割中鼓励一个均匀的潜在空间，可以显著提高潜在密度建模的效果。

Jul, 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

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

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

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

本文提出随机分割网络（SSNs），是一种机率方法，针对任何图像分割网络架构实现建模不确定性。SSNs 通过对数 it 空间中的低秩多元正态分布对标签地图的概率进行建模，以生成一个空间一致的概率分布。在医学数据分割中，SSNs 表现出更好的表现.

Jun, 2020

该研究提出了一种可扩展的、有效的决策不确定性方法，通过利用区别最大化层，通过任意大小的可训练原型学习鉴别隐藏空间，以解决深度学习在实际中应用时不确定性预测的问题，该方法在图像分类、分割和单眼深度估计任务上超过了深度集合的现有技术。

Jul, 2022

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

本文探讨了生成对抗网络中聚类的问题，并从多模态潜在空间的角度提出了新的解决方案，该方案通过可调节的先验和所需聚类先验的影响来实现聚类。我们证明了所有组件的重要性，并提出了一种使用稀疏监控的多模态潜在空间的过程来便于学习聚类先验。

May, 2020