本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的3D CT扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

本文介绍了一种基于“分离表达学习”的双向无监督领域自适应（BiUDA）框架，来提高医疗图像分析中深度学习模型在不同领域间迁移性能，实验结果显示该框架优于当前先进的方法。

Aug, 2021

本文提出了一种新颖的批量规范化（BN）统计适应框架，其中逐渐调整域特定的低阶BN统计量（例如平均值和方差），同时通过优化目标明确强制执行域共享的高阶BN统计量的一致性（例如缩放和移位因子）进行的非监督领域自适应，该框架与基于假标签的自训练策略相结合，实现了在没有源域数据的情况下的图像分割任务的迁移。

Sep, 2022

本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。

Nov, 2022

本文提出了一种基于生成式回放的无监督分割方法GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。

Jan, 2023

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的SFDA方法甚至一些UDA方法。

Jul, 2023

深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

Jul, 2023

这篇论文提出了一种针对H&E染色组织学图像的无监督领域自适应(UDA)的新方法，通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估，并且在FHIST数据集上的实验结果表明，我们提出的方法(Domain Adaptive Learning，DAL)明显超过了基于ViT和CNN的最先进方法分别有1.41%和6.56%的提升。

Sep, 2023

我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和OCDA方法。

Jan, 2024

我们提出了一种算法来解决持续学习（CL）场景中的无监督域适应（UDA）问题，主要目标是在连续到达新领域时通过更新基本模型来维持模型概括性，而后续任务中只能访问未标记的数据。我们的解决方案是通过稳定学习的内部分布来提高模型在新领域上的概括性，内部分布使用高斯混合模型（GMM）进行建模，并将新领域的内部学习分布与估计的GMM进行匹配来更新模型，同时利用经验重播来克服灾难性遗忘问题，并提供理论分析来解释我们算法的有效性，通过广泛的比较和分析实验证明我们的方法是有效的，我们在四个基准数据集上进行实验以证明我们的方法的有效性。

Jan, 2024