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

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

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

本文提出了一种新的基于不确定性引导的多源标注网络（UMA-Net）用于从多个标注中直接学习医学图像分割，UMA-Net 由 UNet、一个注释不确定性估计模块（AUEM）和一个质量评估模块（QAM）组成，实验结果证明 UMA-Net 优于现有方法。

Apr, 2023

使用置信度轮廓作为分割图像的表示方法，通过开发一种新的注释系统，能够捕捉到专家不确定性，研究结果表明，该方法在代表能力和解释性方面具有较好的表现。

Aug, 2023

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

本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Apr, 2023

本文提出了一种使用两个耦合的 CNN 从纯噪声观察中联合学习单个标注者的可靠性和真实分割标签分布的方法，该方法在三个公共医学影像分割数据集上表现良好，尤其是在注释数量较少且出现较大不一致性的情况下。

Jul, 2020

本论文提出了一种基于深度学习的图像分割框架 UMCT，通过协同训练和利用未标注数据来实现半监督和无监督领域自适应的任务，实现针对大量未标注数据的高效分析处理和标注，获得了半监督医学影像分割方面的最佳表现，并成功将模型应用于医学影像解剖结构的领域自适应。

Jun, 2020

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