EVENet：基于证据的集成学习用于具有不确定性感知的脑区划分

本文介绍了一种基于贝叶斯全卷积神经网络的脑分割质量控制方法，利用模型不确定性进行有效的蒙特卡罗采样，生成体素级不确定性图。

研究提出了三种结构级不确定度量标准，并将其应用于群体分析，提供自动化质量控制的方法。

探索了基于蒙特卡罗Dropout的多种不确定性估计方法，结果表明不确定性度量能提升医学图像的病变检测和分割效果。

提出了一种基于物理学的无监督对比表示学习方法(PARCEL)，实现了MRI图像的高精度重建，且不依赖全采样数据集。

研究成功实现了儿童脑肿瘤的精确分割模型，提升了诊断准确性和治疗策划的有效性。

通过级联深度学习模型传播不确定性，建立了可解释的神经网络的不确定性估计方法，展示了其在医学影像中的应用效果。

提出的新方法结合了转换器与条件扩散模型，提高了深度学习模型在医学图像分析中的稳健性和信任度。

研究了自动化深度学习工具在多发性硬化症患者MRI扫描中的不确定性量化，提出新的衡量不确定性的方法。

介绍了一种新的集合方法超扩散，能够准确估计表观和内在不确定性，提供与多模型集合相同的预测准确性。

提出的差异分布医学扩散（DDMD）模型通过转化分布差异来提高脑MRI中的病变检测性能。

介绍了TrustI2I方法，通过深度证据回归估计预测的不确定性，改善合成质量和解释性。