BraTS 2019中新增添了一項爲任務3: 分割中不確定性的量化。
目的是給每一個像素值的預測值的確定性給打分，哪些像素可以100%的確定是屬於某種腫瘤區域，那些是很大概率的屬於某種腫瘤。
當然，臨牀上最終的金標準的判斷是病理的檢測化驗。
這項新任務的重點是在神經膠質瘤區域分割的背景下探索不確定性測量，其目標是獎勵參與方法的結果預測:
(a) confident when correct
(b) uncertain when incorrect
不確定性地圖：
參與者應該對整個數據集的不確定度值(0 - 100)進行規範化，使“0”表示最確定的預測，“100”表示最不確定的預測，最終得到針對某一類別打分的map圖。
評價指標1 ： DICE
有N個閾值，每個閾值都會計算此閾值下的保留的值的dice值。舉例，如果閾值爲75，那麼所有大於75的像素值都會被標記爲不確定，並被剔除，不會參與到模型的評估，Dice指標的計算。
隨着更多不確定性的像素點被濾除，指標Dice理應逐漸提升。
評價指標2 : TP過濾比
在某一個閾值下過濾掉的TP與原始閾值爲100時TP的比例，閾值越小，過濾的越多，TP過濾比越大。一般認爲TP過濾比越小越好。
