该文提出采用无监督领域适应方法，利用对抗性训练在整张组织切片图像上实现领域间知识的转移，提高了前列腺癌 Gleason 分数的分类表现。

Jun, 2018

本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

Nov, 2018

该论文研究了卷积神经网络在组织病理学中用于肿瘤分类的应用，分析了数据增强和归一化对模型性能和表示学习的影响，提出了衡量模型领域差异距离的新方法，结果表明训练数据的准备对学习结果有很大影响。

Sep, 2019

本研究使用领域泛化技术改善深度神经网络的泛化能力，使其能够处理来自不同医院和实验室的 WSIs 和组织病理学影像集，结果表明使用该技术时，低维空间表示和分类准确性都有所提高。

Apr, 2022

研究关注于组织学培训中的颜色和扫描仪变化对人工智能的影响，并介绍了能够适应领域变化的测试时间训练技术。

May, 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

深度神经网络在皮肤病变分类方面的潜力已经被证明不亚于甚至优于皮肤科医生的诊断。然而，当测试数据与训练数据有显著差异时（即领域转移），这些模型的性能通常会下降。本研究深入分析了八种不同的无监督领域自适应方法，以分析它们在皮肤镜数据集的泛化能力上的有效性。研究结果表明，这八种领域自适应方法均能改善大多数分析数据集的 AUPRC，指示无监督领域自适应通常可以提高二分类黑素瘤 - 痣的任务的性能。然而，小样本或非平衡数据集会降低结果的一致性，因为这些因素会对方法的性能产生影响。

Oct, 2023

该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

Sep, 2020

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

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