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

通过提出一种新的变分推断框架来考虑多读者不确定性，该方法利用一个潜在向量来编码多读者的变异性以及对影像数据固有信息损失进行对抗，通过优化其证据下界有效地近似分割地图的分布。实验结果表明了该方法的有效性。

Jan, 2022

本研究分析了基于深度卷积神经网络的 2D 和 3D 医学图像分割任务的不同不确定性，提出了一种基于测试时间增强的随机不确定性方法，用于分析输入图像的不同变换对分割输出的影响，并与模型不确定性相结合，对胎儿脑和脑肿瘤进行了医学图像分割实验，讨论了测试时间增强方法的优势。

Jul, 2018

我们提出了一个新的框架，同时估计图像配准的先验和其它分割不确定性，通过最小化负对数似然损失函数，将外观不一致性转化为其它分割不确定性，并通过引入分割不确定性以及现有的估计配准不确定性方法，在图像配准的不同阶段提供了重要的可视化结果。通过使用公开可用的数据集验证了我们提出的方法，并且结果证明了所提方法估计的分割不确定性与标签传播错误之间的良好关联性，同时实现了优越的配准性能。

Mar, 2024

本研究通过使用 BraTS 挑战数据集，研究了分别使用测试时蒙蔽和增强时蒙蔽方法测量深度学习模型输出中不确定性的差异性，结果表明两种不确定性类别在大小和空间模式上有很大的差异，并讨论了在各种应用中这些差异的影响。

Mar, 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

本文提出了一种简单的 Monte Carlo Dropout 算法，可以显式地量化神经网络输出的不确定性，利用此种不确定性可以解释模型复杂现象、如情感识别，此外也可以用于辨别主观标记样本和数据偏差的问题。

Sep, 2019

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

该研究提出了一种新的数据不确定性估计方法，通过主动去噪处理观察数据，以更准确地近似实际数据不确定性。实验证明，与标准方法相比，我们提出的方法更接近实际数据不确定性。

Dec, 2023

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