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

本文提出了一种泛用方法来获得无需提议的实例分割模型内在的不确定性估计，并且评估了在 BBBC010 C. elegans 数据集上的可行性和有效性，并模拟了这些不确定性估计在指导的校对中的潜在用途。

Aug, 2020

本研究通过深度学习方法对自动器官分割进行了评估，比较了不同方法在准确性、不确定性校准性和可扩展性等方面的强弱点，为可靠、稳健的模型开发提供了有价值的建议。

Aug, 2023

本研究探讨了在计算机视觉任务中，使用贝叶斯深度学习模型对本质和表观不确定性进行建模的影响， 并提出了一种新的深度学习框架，将输入相关的本质不确定性与表观不确定性相结合。 我们还提出了一种新的损失函数，可解释为学习的衰减，将其应用于像素级语义分割和深度回归任务中，使得模型更加鲁棒并取得新的最先进的结果。

Mar, 2017

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

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

建立可信赖的图像分割模型既需要评估其性能又需要估计模型预测的不确定性。本研究提出了一种利用多层不确定性模块估计图像分割的简单有效方法，并证明了采用此方法实现的深度学习分割网络能够同时实现高分割性能和有意义的不确定性图，可用于识别分布之外的数据。

Aug, 2023

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

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

本文探讨了在数据驱动主动学习框架下，针对医学图像分割任务进行不确定性校准的方法，研究了不同的不确定性估计方法和采集策略，并证明选定区域标注可以显著减少需要人工标注的像素数量。

Jul, 2020