Este artículo aborda el desarrollo de la segmentación de imágenes, que desempeña un papel importante en la visión artificial basada en aprendizaje profundo, y sus desafíos relacionados con la fiabilidad. En particular, la rápida adopción de modelos de segmentación basados en CNN en aplicaciones de alto riesgo ha dado lugar a una activa investigación sobre la cuantificación de la incertidumbre, que se está expandiendo rápidamente como un campo de investigación independiente. Este artículo proporciona una visión general completa de la segmentación probabilística, discutiendo los conceptos básicos de la cuantificación de la incertidumbre, los desarrollos en el campo y las aplicaciones a diversas tareas. La literatura sobre los dos tipos de incertidumbre (incertidumbre epistémica, incertidumbre aleatoria) rastrea cuatro aplicaciones principales: (1) cuantificación de inconsistencias estadísticas en la anotación debido a imágenes ambiguas, (2) correlación entre errores de predicción e incertidumbre, (3) expansión del espacio de hipótesis del modelo para una mejor generalización, y (4) aprendizaje activo. A continuación, se presenta una amplia discusión, que incluye una descripción general de los conjuntos de datos utilizados en cada aplicación y una evaluación de los métodos disponibles. Destacamos los desafíos relacionados con la arquitectura, los métodos de cuantificación de incertidumbre, la estandarización y la evaluación comparativa, y concluimos con recomendaciones para futuras investigaciones, como métodos y modelos basados en un solo paso hacia adelante que aprovechen adecuadamente los datos volumétricos.
