通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

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Prompt learning based SFDA(ProSFDA)的方法用于医疗图像分割，该方法旨在通过显式地将领域差异最小化来改善领域适应的质量，实验结果表明，所提出的方法比其他SFDA方法表现更好，甚至与UDA方法可比。

Nov, 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

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

医学图像分析中的深度学习技术通常受到源数据和目标数据之间的领域转移问题的困扰。现有的工作主要集中在无监督域自适应（UDA）上，但在实际应用中，隐私问题更为严重。本研究针对源自由无监督域自适应（Source-Free UDA）的挑战，提出了稳定学习（Stable Learning）策略，该策略以权重一致性和熵增加为核心来解决目前UDA医学方法所面临的过拟合困境。实验证明了稳定学习的有效性，并进行了大量消融实验。此外，研究团队还将发布包含多种MSFUDA方法的代码。

Jul, 2023

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

深度学习在医学影像数据分析应用中取得了显著的成功。然而，由于数据分布的差异导致的领域偏移使得深度学习模型在不同扫描仪的不同站点所收集的训练和测试数据上难以实现良好的泛化能力。领域适应作为一种有效手段旨在通过减少医学影像应用中的领域差距来应对这一挑战。本综述针对基于深度学习的医学图像分割领域适应方法进行了重点研究。我们首先介绍领域适应的动机和背景知识，然后全面回顾了医学图像分割中领域适应应用，并最后讨论了该领域的挑战、局限性和未来研究趋势，以促进领域适应在医学图像分割的方法学发展。我们的目标是为研究人员提供关于领域适应在医学图像分割研究中的最新参考文献。

Nov, 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