本文研究了使用卷积神经网络（CNN）进行三维重建的不确定性建模的价值。通过采用每个补丁的异方差噪声模型和近似贝叶斯推理的参数不确定性，作者展示了这两者联合起来可以带来最先进的扩散MR脑图像三维重建性能。该方法的概率特性为超解析的输出提供了一种自然的量化不确定性的机制，并通过对健康和病态大脑的实验证明了这种不确定性的重要性。

May, 2017

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

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

研究探索了在深度神经网络中基于蒙特卡罗Dropout的多种不确定性估计方法，提供了四种不同的体素级别的不确定性度量，可用于医学图像中的病变检测和分割。经实验结果表明，使用不确定性度量能够比仅使用网络的Sigmoid输出作为概率选择更好的操作点。

Aug, 2018

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

该综述回顾了现有的用于量化深度学习模型预测不确定性的方法，并着重关注了医学图像分析中特有的挑战、评估方案以及不确定性量化在医疗领域中的开放性挑战。

Oct, 2022

本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的MRI图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现“精准医学”，并对临床医生的决策提供指导。

May, 2023

医学图像分割中的不确定性，尤其是来自不同专家的解释和注释差异所导致的评分者之间的变异性，对于实现一致可靠的图像分割存在重大挑战。本文总结了Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ)的基准结果，重点关注医学图像分割中评分者变异性的不确定性量化，并考虑了图像数据集中普遍存在的这种不确定性。结果表明整合模型的重要性以及发展高效的三维不确定性量化方法的进一步研究的需求。

Mar, 2024

本研究探讨了深度学习模型中实例级不确定性值的可解释性，以评估人工智能系统的可靠性，特别是在磁共振成像中进行皮质损伤分割的焦点损伤分割。研究结果显示实例级不确定性值的潜力，可以提供后期全局模型解释，并作为模型的一种验证方法。

Jul, 2024

本研究针对生物医学图像分割中的不确定性量化问题，提出了一种基于证据深度学习的新框架，利用Dirichlet分布对分割标签进行建模。研究发现，证据深度学习模型在预测误差与不确定性之间的相关性方面优于传统方法，表明该模型在敏感的大模型误差检测任务上具有潜在优势。

Oct, 2024