本文提出了一种自动图像分割方法，基于 (Bayesian) 扩张卷积神经网络 (DCNN)，用于自动生成手头输入图像的分割掩模和空间不确定性地图，并利用人机交互设置结合分割和不确定性图来提高分割性能。该方法使用 ACDC 的 100 个心脏 2D MR 扫描中的左室腔、右室内膜和心肌 ED 和 ES 进行训练和评估，结果表明，可以使用 DCNN 获得低计算成本的有价值的空间不确定性图。

Sep, 2018

该研究使用蒙特卡罗 dropout 法计算神经网络的参数不确定性，以提高神经网络模型对图像分割的可靠性，并将此方法应用在临床数据中，表明该方法对不均质图像精准分割效果显著，同时还能发现分割中的异常结果，显示神经网络的参数不确定性能够对其进行验证。

Jun, 2018

通过深度学习模型建立 DSC （Dice Similarity Coefficients） 预测模型，用于评估心血管 MR 图像的分割质量；同时提出一种无标记数据的反向测试策略，预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量，实现实时分割方法的筛选为可分析图像，最大限度提高图像分析结果的优化。

Jun, 2018

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

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

本文介绍了基于贝叶斯全卷积神经网络的脑分割的有效质量控制的固有度量方法，使用模型不确定性进行有效蒙特卡罗采样来生成体素级不确定性图和三个结构级不确定度量标准，并将这些结构级不确定性度量标准加入到群体分析中作为信心度量，因此提供自动化质量控制和群体分析的方法，可用于大规模数据库的处理。

Apr, 2018

利用元分类模型评估汽车零部件语义分割模型预测段的精度，通过剔除低质量的段，平均分割结果的 mIoU 略微提高 16 个百分点，错误预测段减少 77%。

Jan, 2024

本研究提出了一种基于半监督学习的医学图像分割方法，该方法利用最近的深度学习不确定性估计模型来生成伪标签标注数据，并自动选择最佳的伪注释，进而在不需要全部标注的情况下，实现了分割模型在医学 3D 数据集上更好的性能，验证实验表明其在前列腺磁共振成像数据集上的性能得到了明显的提升。

May, 2023

通过结合贝叶斯神经网络和注意机制，我们提出了一种不确定性感知的 MRI 数据分割模型 BA U-Net，用于高精度且可解释的病理自动筛查的关键首步，我们在公开可用的 BraTS 2020 数据集上使用 F1 分数和交并比（IoU）作为评价指标进行了模型评估。

Nov, 2023

该论文研究了自动化深度学习工具在多发性硬化症患者磁共振成像扫描中的白质病变分割中的不确定性量化作为其可靠性指标。研究探讨了不确定性在结构化输出分割任务中的两个主要方面，并提出了新的衡量不确定性的方法。通过分析来自多中心的 MRI 数据集，结果表明我们的方法能够更有效地捕捉模型在病变和患者尺度上的错误。

Nov, 2023