医学图像分割中的不确定性类别：一项关于来源相关多样性的研究

度量深度学习 method 输出的不确定性在多方面有用，例如辅助解释输出、帮助终端用户建立信心，以及改进网络的训练与性能。已有多种估计不确定性的方法被提出，包括分别利用测试时 dropout 和增强从认知（与所用模型相关）和偶然（与数据相关）来源估计的方法。这些不确定性来源不仅不同，而且受参数设置（如 dropout 率或增强的类型与程度）支配，从而形成了更为不同的不确定性类别。本文从幅值与空间模式上考察这些类别的不确定性彼此差异多大，以实证地回答它们是否提供了在有用的独立信息、从而应在使用不确定性时被分别捕捉的问题。我们采用特征明确的BraTS挑战数据集表明，不同类别不确定性的幅值与空间模式均存在实质性差异，并讨论了这些差异在不同用例中的含义。