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

本文提出了一种使用两个耦合的CNN从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

使用正则化流(NFs)的方法来模型化分割模型中的不确定性，相较于严格使用高斯密度模型，可以让模型更具表现力，有效提高单标注和多标注分割数据集的分割性能，并明确提出了更灵活的密度模型应该在该领域内被认真考虑。

Aug, 2021

本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net由UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明UMA-Net优于现有方法。

Apr, 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

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

基于医学图像的不确定性感知，使用 Uncertainty-aware Adapter 对 Segment Anything Model 进行有效 fine-tuning，实现了新的最先进的医学图像分割方法。

Mar, 2024

为解决深度学习算法在临床应用中缺乏透明度的问题，研究提出了一种基于不确定性引导标注的框架，通过量化不确定性和开放临床人员指导，实现自动质量控制，提高算法性能。

Feb, 2024