Uncertainty-aware Evidential Fusion-based Learning for Semi-supervised Medical Image Segmentation

虽然现有的基于不确定性的半监督医学分割方法已经取得了出色的性能，但通常只考虑单一的不确定性评估，这经常无法完全解决与可信度相关的问题。因此，本文基于证据深度学习框架，将混合和原始样本的证据预测结果整合到交叉区域中，重新分配每个体素的置信度和不确定度度量，通过强调传统证据理论概率分配融合规则的不确定信息来实现。此外，我们通过引入信息熵与融合的不确定度度量相结合，设计了一个体素级渐进学习策略，以更精确地估计体素预测。在学习过程中，该模型将逐渐关注高不确定性的预测结果，以学习难以掌握的特征。在LA、Pancreas-CT、ACDC和TBAD数据集上的实验结果表明，与现有技术水平相比，我们提出的方法具有优越的性能。

论文试图通过整合证据深度学习框架来解决医学分割中的不确定性问题，以提高预测的准确性和可信度。

论文提出了一种基于证据理论的深度学习框架，通过整合样本混合和原始样本的证据预测结果来重新分配每个像素的置信度和不确定性度量，并且引入信息熵来设计像素级渐进学习策略，以更准确地估计像素预测。

论文在LA、Pancreas-CT、ACDC和TBAD数据集上进行了实验，证明了该方法相比现有技术的优越性。此外，论文提供了开源代码，为该领域的进一步研究提供了便利。

最近的相关研究包括“Uncertainty-aware self-ensembling model for semi-supervised 3D left atrium segmentation”和“Deep learning for medical image segmentation: a survey”。