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

通过训练深度学习模型将CT图像的肝脏分割模型迁移到MRI图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。

Jul, 2019

本文提出了一种名为SIFA的新型无监督域自适应框架，从图像和特征两方面进行协同对齐，利用多方面的对抗学习和深度监督机制增强了特征的域不变性，提高了在未标记目标图像上的分割性能。

Feb, 2020

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

本文介绍了一种名为UDA-VAE ++的无监督域适应框架，该框架利用互信息的估计值和全局估计器、局部估计器以及先验信息匹配估计器之间的结构互信息估计（SMIE）块，提出了一种新的下限来解决心脏分割问题，并通过一种创新的顺序重新参数化方案来达到更高的性能，该方案能够从低分辨率的潜空间到高分辨率的潜空间实现信息流和方差校正。实验表明，我们的模型在基准心脏分割数据集上表现优异。

Apr, 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

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

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

这篇论文评估了深度学习方法在肾脏层结构分割上的可行性，研究采用了代表性的卷积神经网络和Transformer分割方法，并在小鼠肾脏癌症WSIs上定量评估了六个深度学习模型，结果显示Transformer模型通常优于基于CNN的模型。

Sep, 2023

提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法，用于三维医学图像分割，通过交叉域数据增强生成高质量伪标签，结合标注的源域图像和目标域伪标签进行模型训练，在多个公共多模态数据集上表现优于十种先进的 UDA 方法，并在某些情况下甚至超过了全监督学习的效果。

Apr, 2024