引入细粒度无监督框架以实现跨模态的前庭神经硬膜瘤和耳蜗分割，通过使用向量控制生成器并应用多样增强技术来提高分割模型的性能和鲁棒性。在 CrossMoDA 验证阶段排行榜上，我们的方法分别在前庭神经硬膜瘤和耳蜗上得到了 0.765 和 0.836 的平均 Dice 得分。

Nov, 2023

本文提出了一种针对 crossMoDA2023 挑战的三维多样式跨模态分割框架，通过多种图像转换和自我训练分割阶段，实现对未标记 hrT2 扫描中的前庭神经瘤（分为颅内和颅外组分）以及耳蜗区域的分割，并借助标记的 ceT1 扫描实现。

Nov, 2023

本研究提出一种多视角图像翻译框架，通过使用像素级一致性约束和补丁级对比约束的两个图像转换模型，将增强对比度的 T1MRI 图像翻译成高分辨率 T2MRI 图像，为无监督前庭神经鞘瘤和耳蜗分割提供伪高分辨率的 T2MRI 图像，并通过实验证明该方法在前庭神经鞘瘤和耳蜗分割方面具有出色的性能表现。

Mar, 2023

本研究旨在利用边缘信息作为先导任务来促进无监督域自适应的语义对齐，为此我们提出了一种多任务框架，使用磁共振成像（MRI）切片和初始边缘图像作为输入，学习轮廓适应网络和语义分割适应网络。在 BraTS2018 数据库上的实验结果证明了本方法的有效性和优越性。

Jan, 2022

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

Feb, 2024

本文介绍了一种用于肿瘤分割的新型深度学习方法，该方法使用了基于图像转换和 Segementation 的迭代自训练算法以及一种名为 GBA（Generative Blending Augmentation）的数据增强技术，使用 SinGAN 生成模型来使目标肿瘤出现得更加真实，从而提高了分割模型的泛化能力，并在 MICCAI CrossMoDA 2022 演示中的肿瘤分割任务中名列前茅。

Apr, 2023

使用自注意力图像翻译、不确定性约束下的伪标签改进和三维自我训练的简单而有效的 SDC-UDA 框架通过无监督域适应在医学图像领域中可以实现病态标记数据从一个成像模态到具有无标签标签的另一个成像模态的转换，其在分割精度和在切片方向上连续性上均表现出优异的性能。

May, 2023

我们提出了一种名为 MoDATTS 的新的半监督训练策略，用于处理自动医学图像分割中存在的模态遗传性问题，并通过图像转换和视觉转换器实现更准确的肿瘤分割。该模型在 CrossMoDA 2022 挑战中表现出优越的性能，并在 BraTS 2020 挑战数据集上显示出一致的改进。

Sep, 2023

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