冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

Jan, 2024

本论文描述了一种简单的无监督领域适应方法，通过交换低频谱来减少源和目标分布之间的差异，该方法在语义分割中实现了最新的性能，并且不需要对离散领域选择变量进行不变的神经网络背骨的敌对优化。

Apr, 2020

使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

Jan, 2024

本文提出了一种基于傅里叶的领域泛化新视角，通过开发一种称为幅度混合的新型傅里叶数据增强策略，来强制模型捕获高级语义信息，同时在原始图像与增强图像之间引入了一种双重一致性损失方法，取得了领域泛化的最新成果并显著提高了性能。

May, 2021

这篇研究分析了针对多发性硬化症患者图像的自动白质病变分割方法的卷积神经网络方法，重点研究了领域适应性对准确性的影响，并评估了在新领域中需要重新训练的最小图像数量和最小图层数量以获得可比较的准确性。

May, 2018

本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

在生物医学图像分析领域，我们提出了一种称为反馈关注网络（FANet）的新型架构，利用每个训练时期的信息来修剪随后的预测地图，该网络在不同的卷积层上允许学习特征图的 “硬关注”，通过七个公开的生物医学成像数据集测试，显示出较大的平均分割指标提高。

Mar, 2021

本研究探讨了如何将一个训练于遗留数据集上的深度卷积神经网络成功适应于新数据集，结果表明，只需用两个新样本对模型进行微调即可较好地适应。

Feb, 2017

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

本文提出了 Adversarial Feature Augmentation 和 Normalization (A-FAN) 方法，旨在将对抗性的特征嵌入到当前的视觉识别模型中，从而提高其分类、检测和分割任务的泛化能力。在各种数据集上的实验证明，A-FAN 可以有效地提高当前视觉识别任务的表现。

Mar, 2021