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

本文提出了一种利用半监督学习方法和贝叶斯深度学习进行医学图像分割的方法，改进了医学图像分割任务中，由于标记数据缺乏导致的训练深度学习方法所存在的问题，同时在视网膜层分割任务中表现出良好的性能。

Mar, 2021

本文提出一种新的半监督医学图像分割模型 CoraNet，基于我们的不确定性估计和分离自我训练策略，通过估计不确定性来提高分割结果的一致性，与现有技术相比，我们的方法表现更优，并对其与传统不确定性估计方法进行了分析和比较。

Oct, 2021

本文提出了一种基于师生模型的双不确定加权半监督分割方法，其中老师模型通过对标签和未标签数据的不一致预测惩罚来指导学生模型，我们使用贝叶斯深度学习训练教师模型，这是首次将分割不确定性延伸到特征不确定性，我们设计了可学习的不确定性一致性损失以在预测和不确定性之间以交互方式进行无监督学习，并通过定性和定量分析验证了所提出的特征不确定性和损失函数的有效性，实验结果表明，我们的方法在两个公共医学数据集上优于现有的基于不确定性的半监督方法。

Oct, 2020

在半监督医学图像分割领域，如何从未标记的图像中有效学习图像特征以提高分割的准确性是研究的主要方向之一，本文基于自我训练框架，通过添加样本级别和像素级别的不确定性来稳定训练过程，即有选择地重新训练未标记的样本并为伪标签分配像素级别的不确定性来优化自我训练过程，实现了更好的分割性能。

Apr, 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

通过在混合和原始样本的跨区域整合证据预测结果，重分配每个体素的置信度和不确定度度量，结合信息熵设计了体素级渐进学习策略以更加准确地估计体素的预测结果。实验结果表明，我们提出的方法在 LA、胰腺 CT、ACDC 和 TBAD 数据集上相对于现有技术取得了卓越的性能。

Apr, 2024

本文提出了一种基于层次概率模型和变分自编码器框架的新方法，用于建模给定输入图像的分割的条件概率分布，可以有效地解决解剖结构和病理分割中的歧义性问题，同时可以生成比以前的方法更真实和多样化的分割样本。

Jun, 2019

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