本文提出了一种新颖的域泛化框架，通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力，从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明，该方法在多个基准细分数据集上都取得了最新的前沿成果。

Mar, 2020

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

本文介绍了一种名为 CompStyle 的新型框架，利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布，以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能，而无需额外的培训时间或资源。

Jun, 2024

本研究提出了一种基于特征域风格混合的技术，利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较，发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。

Oct, 2023

该研究介绍了一种应对跨模态、多机构的无监督领域自适应问题的解决方案，通过无配对图像转换和自训练等技术，成功应用于医学图像分析的领域。

Nov, 2023

跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

Nov, 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

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

本文介绍了一种新的领域适应策略 - “交叉模态学习”，在无监督和半监督领域适应设置下，通过两种模式的相互模仿实现模态之间的一致性，在 3D 语义分割任务中证明了该方法的有效性

Jan, 2021

通过使用单一的条件模型，根据输入类型调整其归一化层来实现多模态图像的公平图像分割，并在多模态全心分割挑战中优于其他跨模态分割方法。

Oct, 2023