DuEDL：双分支证据深度学习在手绘辅助医学图像分割中的应用

本研究提出了一种基于标注涂鸦的医学图像分割方法，结合涂鸦监督和辅助伪标签监督的双分支网络，提升了心脏核磁共振图像分割性能。

引入Evidential Tri-Branch Consistency学习框架（ETC-Net），通过三个分支解决预测多样性和训练稳定性，实验结果显示其在多个数据集上超越了其他半监督分割方法。

提出体素级渐进学习策略，通过信息熵设计，结合混合和原始样本的跨区域整合，提升了对体素预测结果的准确性。

Evidential Prototype Learning (EPL)方法有效融合不同来源的体素概率预测，在多个数据集上实现了最先进的性能。

TEDL Two-stage Learning方法基于Dempster-Shafer理论，量化深度学习模型的不确定性，实验表明其提高了模型的稳定性和AUC。

揭示了Evidential Deep Learning（EDL）中不确定性值与误分类偏差的关联，证明了EDL对损失函数的耦合情况。

开发了基于Evidential Deep Learning (EDL)的不确定性估计框架MEDL-U，实验证明其在KITTI验证集上超越了之前的确定性探测器。

提出专家分歧引导的不确定性估计方法（EDUE），通过多个评分者的变异性引导模型，显著提高了校准性能。

命名为EVIL的确定性推理学习方法，通过一致性正则化训练范式增强少量标记数据的泛化能力，实验结果显示其竞争性性能。

通过混合狄利克雷分布的变分推断建模一致的目标分布，展示了学到的不确定性在后续任务中的优越性。