通过随机初始化卷积网络对图像进行参数化并执行梯度下降，以匹配观察结果的方法来量化反向医学成像任务中的不确定性，扩展到带有蒙特卡罗失活的贝叶斯方法，实现对预测不确定性的可靠估计，解决了大型数据集上深度神经网络出现幻觉和制品所带来的问题。

Aug, 2020

本文提出了一种基于物理信息的深度学习方法，用于定量估计单体闪烁体中伽马相互作用的空间坐标，重点是正电子发射断层扫描成像。使用密度神经网络方法在快速铅钨酸盐闪烁体探测器中估计二维伽马光子相互作用坐标。我们引入了定制损失函数来估计重构过程的固有不确定性，并将探测器的物理限制纳入其中。此独特组合可实现更健壮可靠的位置估计，并且所获得的结果证明了该方法的有效性，并凸显了不确定性估计的显著益处。我们讨论了其对改善正电子发射断层扫描成像质量的潜在影响，并展示了如何利用结果来改进模型的应用并评估给定预测及相关不确定性的有效性。重要的是，我们提出的方法学不仅限于正电子发射断层扫描成像，还可以推广到其他应用领域。

Oct, 2023

使用基于深度学习的条件变分自编码器 (CVAE) 的方法，给定活性曲线的测量结果，有效估计动态正电子发射断层成像 (PET) 的运动动力学参数的后验分布。验证结果使用无偏 MCMC 作为参考，处理低维数据 (单个脑区) 和简化的参考组织模型。

Oct, 2023

计算成像在确定稀疏测量中的隐藏信息方面起着重要的作用。我们提出了一种深度变分框架，利用深度生成模型来学习近似后验分布，以有效量化图像重建的不确定性，无需训练数据。我们通过使用基于流的模型参数化目标后验并最小化它们的 KL 散度来实现准确的不确定性估计。我们还引入了具有双向正则化的强大流模型，以增强稳定性，并通过梯度增强来增强表达能力。此外，我们还通过填充设计方法在潜在先验空间和目标后验空间实现了显著的方差减少。我们在几个基准任务和两个真实世界应用（即快速 MRI 和黑洞图像重建）上验证了我们的方法。我们的结果表明，我们的方法能够提供可靠且高质量的图像重建以及强大的不确定性估计。

Nov, 2023

基于评分的生成模型在医学图像重建任务中，如磁共振成像或计算机断层扫描，已经展现出极具潜力的结果。然而，它们在正电子发射断层扫描（PET）中的应用尚未被广泛探索。为了应对 PET 图像重建中的多个挑战，包括具有高方差和广泛动态范围的泊松噪声，我们提出了几种针对 PET 的评分生成模型的适应性改进。该提出的框架适用于 2D 和 3D PET，并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的 2D 和 3D$ extit {in-silico}$ 实验，利用在没有病变的患者现实数据上训练的模型进行验证，并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的 PET 重建改进潜力。

Aug, 2023

基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

Aug, 2023

对于集成预测不确定性以提高深度学习患者安全性的图像分类器，我们评估了两种不同的方法。我们发现，这些方法使用光学相干断层扫描的数据集训练，能够得出更可靠的结果，有望提高患者安全性。

Aug, 2019

该研究提出了一种利用未经训练的深度生成模型估计未观察图像的后验分布的方法，从而量化重建不确定性。这种方法不需要训练数据，而是优化神经网络的权重以生成适合特定测量数据集的图像样本，通过这种方法，在干涉射电成像和压缩感知磁共振成像等领域得出了实证结果。

Oct, 2020

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

通过自我监督的自适应残差估计生成对抗网络（SS-AEGAN），我们引入了自适应残差估计映射机制 AE-Net，并采用自我监督的预训练策略来提高粗糙生成器的特征表示，实验证明 SS-AEGAN 在各种剂量降低因素下，始终优于最先进的合成方法。

Oct, 2023