基于深度学习的领域自适应 (Domain Adaptation) 方法 COVID19-DANet 能够在不同数据集下有效检测使用计算机断层扫描 (CT) 影像的 COVID-19 患者，并取得了令人鼓舞的结果。

Nov, 2023

该论文介绍了深度迁移学习的定义和分类方式，探讨了近五年来应用的技术，并研究了实验分析结果，讨论了深度迁移学习方法的限制以及对应的解决方案和研究趋势。其中包括在 Covid-19 检测和边缘设备上应用深度迁移学习可以降低训练成本和增加精度的优势。

Jan, 2022

通过使用预训练模型，该研究利用较少的样本进行 Few Shot Learning，并比较了经典的深度迁移学习和该方法，并在 Covid-19 二进制分类案例中报告了 FSL 结果。

Aug, 2022

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

使用胸部计算机断层扫描图像来检测冠状病毒感染已引起广泛关注，本研究利用深度学习模型对感染者进行精确分类，并包含了对不同类型的医学图像进行 Covid-19 分类的工作，以提高 Covid-19 诊断的准确性和速度。

Oct, 2023

本文提出了一种用于医学图像领域通用性问题的 Deep Stacked Transformations (DST) 方法，并通过对三种任务的测试表明，DST 模型对于未曾接触的数据集性能的下降仅有 11% 左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

Jun, 2019

我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

Dec, 2023

深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

Nov, 2023

这篇论文概述了我们在 “计算机视觉与模式识别会议（CVPR）” 的 “医学图像分析中的领域适应、可解释性和公平性 AI（DEF-AI-MIA）” 研讨会上，参加第四届 COV19D 竞赛的提交内容。竞赛包括两个挑战，第一个是从 COV19-CT-DB 数据库的一千多个 CT 扫描中训练一个分类器来检测 COVID-19 的存在。第二个挑战是通过获取来自挑战 1 的数据集并添加一小部分扫描（有些注释有些没有）来执行领域适应。我们对 CT 扫描进行了预处理以分割肺部，并输出了包含单独和整体肺部的体积。然后我们在这些输入上训练了 3D ResNet 和 Swin Transformer 模型。我们使用这些模型的整合对未标记的 CT 扫描进行了注释，并选择高置信度的预测结果作为微调的伪标签。结果竞赛 1 的最佳交叉验证 F1 得分为 93.39％，竞赛 2 的平均 F1 得分为 92.15。

Mar, 2024

提出一种名为 COVID-DA 的深度域适应方法，通过特征敌对适应和分类器分离机制解决数据分布和任务区别两种主要困难，以提高 COVID-19 的诊断效率，并证明其在现实世界中具有巨大的潜力。

Apr, 2020