掩蔽 Gamma-SSL：通过掩蔽图像建模学习不确定性估计
内容提要
该文综述了利用不确定性估计改进图像分割的研究，涵盖半监督学习、伪标签纠正和贝叶斯深度学习等方法，应用于自动驾驶与医学影像等领域，通过估计预测不确定性提升分割精度与可靠性。
延伸解读
不确定性估计在分割中的核心作用
文章指出，建立可信赖的图像分割模型既需要评估性能，也需要估计预测的不确定性。通过多层不确定性模块或贝叶斯方法，模型能同时实现高分割性能和有意义的不确定性图，并识别分布外数据。这凸显了不确定性估计对于提升模型可靠性的关键价值。
半监督学习与伪标签纠正的进展
文章综述了多种利用不确定性改进半监督分割的方法。例如，基于预测不确定性纠正伪标签的自适应方法，通过动态调整置信度阈值来纠正噪声伪标签；CoraNet则利用不确定性估计和分离自训练策略提升分割一致性。这些方法在标注数据有限时显著提升了性能。
医学影像中的实际应用与评估
在医学影像领域，不确定性估计已用于心脏磁共振、腹部CT、前列腺MRI等数据集。解剖感知方法通过一次推断估计像素级不确定性，提高了分割准确性；多标注者变异性方法则能告诉医生分割结果的置信度。这些应用展示了不确定性估计在临床中的实用潜力。
Q&A
Gamma-SSL 方法是如何进行不确定性估计的？
Gamma-SSL 方法基于未标记数据，通过选择性强制一致性来进行不确定性估计，用于在自动驾驶环境中检测语义分割模型的错误。
Gamma-SSL 在性能评估上表现如何？
在具有挑战性的分类基准上，Gamma-SSL 方法在 ROC 曲线下面积和 PR 曲线下面积方面的表现超过了不确定性估计和离群分布技术。
有哪些利用不确定性估计改进医学图像分割的方法？
包括：基于半监督学习的方法，利用深度学习不确定性估计模型生成伪标签并自动选择最佳伪注释，在医学 3D 数据集（如前列腺 MRI）上提升性能；基于贝叶斯深度学习的方法，改进标记数据缺乏的问题，在视网膜层分割中表现良好；以及 CoraNet 模型，基于不确定性估计和分离自我训练策略提高分割一致性。
如何利用预测不确定性来纠正伪标签？
一种无监督语义分割自适应方法通过模型输出语义分割预测和预测的不确定性，利用预测的方差建模估计不确定性，并将其纳入优化目标，从而动态地根据不同的置信度阈值纠正噪声伪标签，显著提高了在三个基准测试集上的性能。
Bayesian SegNet 是什么？它有什么作用？
Bayesian SegNet 是一个用于概率像素级语义分割的深度学习框架，可以在测试时间执行带有丢弃的蒙特卡罗采样，以生成像素类标签的后验分布，从而改善小数据集的语义分割性能，提高 2-3% 的性能。
如何利用多个标注者的变异性来估计不确定性？
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。
