无监督领域适应在解剖标志检测中的应用

Aug, 2023

无监督领域适应在解剖标志检测中的应用

Unsupervised Domain Adaptation for Anatomical Landmark Detection

Haibo Jin, Haoxuan Che, Hao Chen

TL;DR我们提出了一种基于无监督领域自适应的解剖标志点检测新框架，利用自我训练和领域对抗学习来处理适应过程中的领域差异，通过选择可靠的动态阈值标签进行目标领域数据的自适应，以及通过对抗训练学习领域不变特征来处理两个领域的不对齐数据分布，实验证明该方法在头影测量和肺标志点检测方面有效，显著减小了领域差距并且持续优于其他无监督领域自适应方法。

Abstract

Recently, anatomical landmark detection has achieved great progresses on single-domain data, which usually assumes training and test sets are from the same domain. However, such an assumption is not always true in practice, which can cause significant performance drop due to domain shi

anatomical landmark detection unsupervised domain adaptation self-training domain adversarial learning domain gap

发现论文，激发创造

稳健的无源域自适应用于眼底图像分割

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

通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

Jul, 2023

协同无监督领域自适应医学图像诊断

本文提出了一种基于深度学习的医学图像诊断方法，使用协同非监督领域自适应算法，从相关领域的有标签数据中进行学习，以提高样本可用性和对抗标签噪声。实验结果证明了该方法的优越性。

Nov, 2019

跨模态图像分割的高效无监督领域自适应算法

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

脑血管分割的无监督领域自适应：基于 Transwarp 对比学习

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

医学影像领域中的无监督域适应深度学习：最近的进展与未来展望

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

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

无标签域的多尺度特征对齐连续学习

本文介绍了一种基于生成式联合判别器的方法，能够连续自适应多个未标记的目标领域且保护隐私，特别适用于具有长生命周期的医学学科领域，实现了对组织类型分类取得了最先进的效果。

Feb, 2023

无监督领域适应结构搜索与自我训练用于地表覆盖图制作

通过将马尔可夫随机场神经架构搜索（MRF-NAS）与自训练无监督域适应（UDA）结合为单一框架，本研究在有限的计算预算下为土地覆盖映射任务搜索出高效且有效的轻量级神经网络，该网络在 OpenEarthMap 和 FLAIR＃1 这两个近期数据集上表现出了令人满意的性能。

Apr, 2024

一种新的双向无监督域自适应分割框架

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