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

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

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

该研究通过引入 Normalizing Flows 技术，提出了一种基于 3D volumes 的概率分割框架，并在 CT 数据上进行了评估，结果表明该方法可以更准确地捕捉到 3D 空间信息的不确定性，同时以直观的方式提供了不确定性信息，有助于医生做出更明智的决策。

May, 2023

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

基于深度学习的 MRI 重建技术在高度加速设置中取得了前所未有的重建质量，然而，深度学习技术也容易出现意外失败和结构产生幻觉，因此在临床实践中安全使用这项技术需要良好校准的不确定性量化，本文提出了一种基于条件层次变分自动编码器的新颖概率重建技术（PHiRec），展示了我们提出的方法不仅产生高质量的重建结果，而且比几个强基准模型具有更好的校准不确定性量化；此外，我们还展示了在 MR 重建过程中产生的不确定性如何传播到下游分割任务，并表明 PHiRec 还允许对分割不确定性进行良好校准的估计。

Aug, 2023

用于模拟建模的代理模型中的不确定度传播是一个重要的问题，本论文提出了一个可伸缩的贝叶斯方法来进行全面的不确定度量化、传播和验证，并展示了在线性和非线性建模场景中使用该方法的案例研究。

Dec, 2023

通过级联深度学习模型在医学影像流水线中传播不确定性，我们提出了一种建立可解释的神经网络的不确定性估计方法，并展示了其在重建脑和膝盖磁共振图像以及预测定量信息方面的效用。

Sep, 2023

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

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