MERIT: 可靠且可解释的肝纤维化分级的多视图证据学习
本研究提出一种基于多视角学习的深度学习方法，利用肝脏的多个子区域来提取更丰富的特征，使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性，通过在增强 MRI 数据上的评估结果发现，本方法优于现有的多视角学习方法。
Jun, 2023
本文提出了一种基于边缘感知多任务网络 (EaMtNet) 的方法，可用于联合多索引肝肿瘤的定量、分割和不确定性估计，并使用多任务学习提高分割和定量性能。实验证明，该模型在医学图像分析方面具有可靠的临床辅助工具的潜力。
Jul, 2023
本文提出了一种新的受信任的多相肝肿瘤分割方法（TMPLiTS），该方法可以同时进行肝肿瘤的分割和不确定性估计，利用 Dempster-Shafer 证据理论和多专家混合的策略，从多相肝增强 CT 图像中识别肝癌并降低不确定性，实现可靠的诊断效果。该方法在实验中表现优异，并且对抗扰动时表现出良好的鲁棒性。
May, 2023
通过使用深度学习方法进行定量 $T_1 ho$ 成像，并采用参数图优化方法和不确定性评估，该研究提出了可靠的基于学习的定量 MRI 系统，用于肝脏 $T_1 ho$ 成像，达到了小于 3% 的相对定量误差和有效消除不可靠像素的效果。
Jul, 2023
基于深度学习和 Dempster-Shafer 理论的多模式医学图像分割的融合框架，在考虑了每个单模态图像在分割不同对象时的可靠性的情况下，通过背景折扣操作对每个模态的证据进行合并，从而达到最终决策。与现有方法相比，实验结果表明我们的方法在准确性和可靠性方面表现优异。
Sep, 2023
我们提出了一种新的模型不确定性量化方法 MAF，该方法依赖于从体积图像数据的多个视图中获得的互补信息的集成，应用于 3D 医学图像到图像转换的认知不确定性估计，并在合成对比增强的 T1 加权影像上应用。
Nov, 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
本研究提出了一种全面的评估医学图像分割模型的方法，名为 MIMO，它允许模型生成独立的阈值，然后与多指标评估和置信度估计相结合，对每个器官进行筛选和测量。实验结果表明，MIMO 为多指标和多器官医学图像评估提供了新的见解，并为模型的可用性和全面性提供了明确的度量。
Jun, 2023
本文提出了一个联合对抗学习框架 (UAL)，用于利用多模态非对比磁共振成像 (NCMRI) 同时分割和检测肝肿瘤，验证实验表明 UAL 在肝肿瘤的临床诊断中有极大的潜力。
Jan, 2022