QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge

医学图像分割任务中的不确定性，特别是由于不同专家在解释和注释方面存在差异而产生的人际差异性，给实现一致可靠的图像分割带来了重大挑战。这种差异不仅反映了医学图像解释的内在复杂性和主观性，而且直接影响了自动分割算法的开发和评估。准确地建模和量化这种差异对于提高这些算法的稳健性和临床适用性至关重要。我们报告了Quantification of Uncertainties in Biomedical Image Quantification Challenge（QUBIQ）的设置和基准结果概述，该挑战赛与国际医学图像计算和计算机辅助干预会议（MICCAI）2020和2021一起举办。该挑战赛专注于医学图像分割的不确定性量化，考虑到成像数据集中人际差异的普遍存在。具有多个标注者注释的大量图像集合具有各种模态，例如MRI和CT；各种器官，例如大脑、前列腺、肾脏和胰腺；以及不同的图像维度2D-vs-3D。共有24个团队提交了不同的解决方案，结合了各种基线模型、贝叶斯神经网络和集成模型技术。所获得的结果表明了集成模型的重要性，以及需要进一步研究开发高效的3D不确定性量化方法来解决3D分割任务。

本论文旨在解决医学图像分割中存在的不确定性问题，特别是由于各种专家之间的差异性而导致的不确定性，这对于实现一致和可靠的图像分割具有挑战性。

本论文的解决方案是量化不确定性，考虑到成像数据集中普遍存在的多评分者差异。通过组合各种基线模型、贝叶斯神经网络和集成模型技术，论文提出了一种有效的解决方案。

论文通过组织Quantification of Uncertainties in Biomedical Image Quantification Challenge (QUBIQ)来验证其解决方案的有效性。该挑战包括各种模态的图像，如MRI和CT；各种器官，如大脑、前列腺、肾脏和胰腺；以及不同的图像维度2D-vs-3D。总共有24个团队提交了不同的解决方案，结果表明集成模型的重要性，以及需要进一步研究开发高效的3D不确定性量化方法。

最近的相关研究包括：1. 'Deep Learning for Medical Image Segmentation: A Review'；2. 'Uncertainty Quantification in Deep Learning for Biomedical Image Segmentation: A Survey'。