本研究提出了一种改进的无训练视频对象分割方法SAM2Long，解决了Segment Anything Model 2在复杂长视频分割中的误差累积问题，通过考虑每帧的分割不确定性，增强了分割和跟踪能力。

本文研究了医学成像中的不确定分割方法，并通过两个案例研究提出了指导原则，以促进分割不确定性的增强应用和有效应用。

该文章提出了一个新的框架，通过最小化损失函数来估计图像配准的先验和分割不确定性。该方法通过引入分割不确定性和现有的估计配准不确定性方法，提供了重要的可视化结果，并验证了分割不确定性与标签传播错误之间的良好关联性。该方法实现了优越的配准性能。