通过深度学习模型建立 DSC （Dice Similarity Coefficients） 预测模型，用于评估心血管 MR 图像的分割质量；同时提出一种无标记数据的反向测试策略，预测 DSC 并进行二元分类判别心血管 MR 图像分割的质量，实现实时分割方法的筛选为可分析图像，最大限度提高图像分析结果的优化。

Jun, 2018

研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

Jul, 2023

该论文通过训练替代质量评估模型来评估分割质量，其中涉及各个领域的专家数据，并将此方法应用于具有广泛应用前景的分割质量预测。

May, 2022

本文利用心脏亚结构分割任务为例，建立了一个深度学习模型质量保证框架，其中通过使用训练自动编码器（DAE）和两个手工设计的特征来开发图像域移位检测器，再利用提取的特征训练回归模型来预测患者关键数据的分割精度，并成功测试了该框架。

May, 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

本文介绍了一个由许多临床相关解剖学的多任务数据集组成的、用于对语义分割算法进行综合基准测试的开放源代码数据集，其通过多个机构的努力进行生成，成为在 2018 年举行的一个众包挑战中被使用的数据集。

Feb, 2019

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

利用 Segment Anything Model (SAM) 为 AI 系统提供可靠的分割质量评估，在医学图像分割方面提出了一种新颖的质量评估方法 SQA-SAM，将 SAM 与医学图像分割模型 (MedSeg) 结合使用，通过对比生成的分割图与视觉提示之间的一致性来评价分割质量。实验结果显示，生成的评分与真实分割质量 (Dice 系数) 呈中度到强正相关。

Dec, 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