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

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

本文研究深度学习系统在医学图像分割方面的不确定性评估方法，发现现有不确定性评估方法在数据集水平表现良好但在个体水平出现偏差，因此需要开发个体化的评估方法。研究还发现辅助网络是一种有效的评估方法。

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

本文提出将 Deep Deterministic Uncertainty 扩展至语义分割领域，其能够量化和分离模型的认识不确定性和随机不确定性，同时提出将 DDU 独立于像素位置进行应用，以此减少内存消耗，最后在 Pascal VOC 2012 数据集上使用 DeepLab-v3+ 神经网络结构能够有效提升模型性能与运算速度。

Oct, 2021

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

提出一种名为 PixCUE 的方法，使用像素分类框架在单个向前传递中生成重建图像及不确定性地图以可靠地估计 MRI 重建过程中的不确定性，并与传统的 Monte Carlo 推断方法的结果相一致，同时产生与重建误差高度相关的不确定性地图。

Feb, 2023

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

比较深度学习方法在 MRI 图像前列腺分割中的不确定性分割和量化，以改善前列腺癌的检测和诊断工作流程。使用七种不同的基于 U-Net 的架构，通过 Monte-Carlo 丢失功能进行评估，自动分割中央区域、周围区域、转换区域和肿瘤，并进行不确定性估计。本研究中最佳模型为 Attention R2U-Net，在分割所有区域时，平均交并比（IoU）达到 76.3%，Dice 相似系数（DSC）达到 85%。此外，Attention R2U-Net 在边界不确定性方面表现出最低值，特别是在转换区和肿瘤区域。

Aug, 2023

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