本研究提出了一种新颖的形态感知元学习框架来解决深度学习方法在多领域数据中的域泛化问题，特别是在缺乏形状完整性和边界模糊性的情况下增强了模型的泛化性能来对抗领域偏移。实验表明，本方法在前列腺 MRI 图像分割中的性能在六个不同机构数据的分布偏移中均优于现有的许多基准方法。

Jul, 2020

应用于医学成像等关键领域的深度学习模型使用受限的训练数据，我们提出了一种策略来提高在低数据情况下训练的模型的性能和泛化能力。通过预训练和元微调，本方法通过在元训练中暴露模型于更具挑战性的分类任务，进而在元测试中对更具临床相关性但更容易的任务进行评估，以增强模型的泛化能力。该方法在两个不同的医学任务上进行了实验证明了其有效性，并在评估数据的分布变化时保持了竞争力。

Mar, 2024

本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和半监督方法。

Sep, 2020

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

通过训练深度学习模型将 CT 图像的肝脏分割模型迁移到 MRI 图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。

Jul, 2019

本文章提出了一种新颖的基于置信度的跨伪监督学习算法，用于在医学图像分割任务中增强未标记数据的伪标签质量并进行域自适应。该方法可在不使用域标签的情况下，提高 Dice-score 性能，超过使用域标签的先前研究成果。

Jan, 2022

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021

医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制 - 粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

Apr, 2024

本研究中，我们对自我集成方法进行了扩展，探讨了多个方面，证明自我集成即使在使用少量非标记数据时也能提高模型的泛化能力，从而在医学成像应用中解决了单一领域下模型泛化的问题。

Nov, 2018

本文提出了一个使用无成对训练数据和单个网络同时训练不同域的多个数据集来学习生成多样化输出的统一框架，并研究了如何更好地提取域监督信息以学习更好的分离表征和实现更好的图像翻译的方法。实验表明，所提出的方法优于或与最先进的方法相当。

Nov, 2019