基于深度学习（DL）图像重建模型中的不确定性定量对于基于重建图像的可靠临床决策至关重要。我们介绍了“ NPB-REC”，这是一种非参数完全贝叶斯的框架，用于从不足采样的“ K-Space”数据中进行MRI重建的不确定性评估。我们在训练阶段使用随机梯度Langevin动力学（SGLD）来表征网络权重的后验分布。与基线E2E-VARNET相比，我们在Multi-Coil Brain MRI数据集上展示了我们在多线圈脑MRI数据集上的附加价值。我们的实验表明，NPB-Rec通过重建精度优于基线（PSNR和SSIM $ 34.55 $，$ 0.908 $ vs. $ 33.08 $，$ 0.897 $，$ P <0.01 $）的高加速度（$ R = 8 $） 。这也在临床注释区域中进行了衡量。更重要的是，与蒙特 - 卡洛推理时间辍学方法相比，它提供了与重建误差相关的不确定性（Pearson相关系数$ r = 0.94 $ vs. $ r = 0.91 $）的不确定性。所提出的方法具有促进基于DL的方法从未采样数据的MRI重建方法的安全利用。 \ url {https://github.com/samahkh/npb-rec}提供了代码和训练有素的模型。

基于深神经网络（DNN）的不确定性（基于DNN）的图像登记算法在部署图像注册算法中起着至关重要的作用在面向研究的处理管道中。目前可用的基于DNN的图像登记算法的不确定性估计方法可能导致临床决策，这是由于对注册的不确定性的潜在不准确估计源是对注册潜在空间的假定参数分布的源。我们引入了NPBDREG，这是一种完全非参数贝叶斯框架，通过将ADAM优化器与随机梯度Langevin Dynamics（SGLD）相结合，以通过后验通过后抽样将基于DNN的可变形图像注册中的不确定性估计。因此，它具有提供与出现未分布数据的存在高度相关的不确定性估计值。我们使用四个公开可用数据库中的$ 390 $图像对（MGH10，CMUC12，ISBR18和LPBA40）在Brain MRI图像配准上证明了NPBDREG的附加价值，与基线概率VoxelMorph模型（PRVXM）相比。 NPBDREG显示了预测不确定性与分布数据（$ r> 0.95 $ vs. $ r <0.5 $）的更好相关性，并且注册准确性提高了7.3％（骰子得分，$ 0.74 $ vs。 $ 0.69 $，$ p \ ll 0.01 $），注册平滑度提高了18％（变形字段中的折叠百分比为0.014 vs. 0.017，$ p \ ll 0.01 $）。最后，与基线PRVXM方法相比，NPBDREG证明了由混合结构噪声损坏的数据（骰子得分为$ 0.73 $，$ 0.69 $，$ p \ ll 0.01 $）的概括能力更好。