该论文旨在通过引入颜色和纹理适应以及纹理保留组件对传递学习进行域同化，以增强医学成像中模型的鲁棒性和安全性，通过系统分析了不同数据模态下传递学习在各种对抗攻击下的表现，结果显示对攻击效果的降低具有很高的效果，为生物医学应用中更可信赖的传递学习做出了贡献。

Feb, 2024

该研究提出了一种基于生成对抗网络的新型双阶段流水线，用于从医学图像数据中生成合成医学图像，并开发了 SynthMed 在线数据库以促进医学图像任务的发展。

Sep, 2017

通过提出代理标签方法，使用多重对抗训练产生高质量标签，使得深度模型能够在目标域上进行带监督的训练，以解决语义分割过程中像素级别标注数量巨大，使其难以扩展。

Jul, 2019

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

Dec, 2016

本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

本研究中，我们提出了一种使用生成性对抗网络通过在两个公共数据集上训练生成合成 MRI 图像的方法，以产生具有脑肿瘤的合成异常 MRI 图像。结果表明这些合成图像提供两个独特的好处，第一是作为数据增强的一种方式，可以提高肿瘤分割的性能，第二，证明了生成模型作为匿名化工具的价值，通过使用合成数据，实现了与实际患者数据训练具有可比性的肿瘤分割结果。这些结果为解决医学成像中机器学习面临的两个最大挑战，即病理发现的小发生率和患者数据共享的限制，提供了潜在的解决方案。

Jul, 2018

本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。

Nov, 2017

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023

半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

Jul, 2023