提出了一种新的无监督领域适应方法，通过伪标签和约束增强一致性，从标记的人工手写神谕字符向未标记的扫描数据中传递知识，使模型在磨损、污渍和失真下更加鲁棒。同时，提出了一种无监督的转移损失，通过优化类间和类内转移概率，在扫描领域上学习更有辨别力的特征。大量实验表明，我们的方法在 Oracle-241 数据集上实现了最先进的结果，并且在最近提出的结构纹理分离网络上性能提升了 15.1%。

Dec, 2023

本文介绍了一种针对医学图像分割的半监督学习框架，名为 “Mine yOur owN Anatomy”（MONA），通过使用更强的数据增强和最近邻等方法，可以有效地处理数据不平衡（tailness）和内部差异（consistency），提高医学图像分割领域的性能。同时，MONA 可以在无监督的情况下将医学图像分解为一组解剖特征，并在不同的标签半监督设置下，取得了新的最优性能。

Sep, 2022

本文提出了一种基于分割归一化图像转换框架的方法，通过用可训练的比例和位移参数代替归一化层中的仿射变换，调制每个级别的特征，从而减少各种成像设备之间的异构性，同时保留解剖结构布局，并在多种成像模态（T1w MRI，FLAIR MRI 和 OCT）的数据集上进行评估。

Feb, 2021

本文利用旋转等变卷积网络的群体结构扩展了变分自编码器框架，学习了组织病理学图像的方向无关性生成因素的分离表示，在减少影响的同时提高了单细胞图像子群聚合表示的性能。

Aug, 2020

为了精确地识别不同患者器官分割之间的相应点以应用于放射治疗，本研究旨在开发一个模型。通过使用头颈部器官分割的 CT 扫描训练了一个在 3D 形状中同时进行对应和插值估计的模型。通过两种方法扩展了原始模型，其中一种是直接从图像补丁中提取特征，另一种是将补丁之间的均方误差作为损失函数的一部分。使用地形误差、卡迈尔距离、共形畸变度量以及解剖标志点之间的距离评估了对应和插值性能。每个模型相较于基线的非刚性配准方法都产生了更好的对应结果，原始模型与直接包含图像特征的模型表现相似。最佳性能的模型配置将图像信息作为损失函数的一部分，产生了更符合解剖学的对应结果。我们将使用最佳性能的模型来识别器官上相应的解剖点，以改进空间归一化，这是结果建模的重要步骤，或作为解剖信息注册的初始化。我们的所有代码都公开在此 https URL。

Sep, 2023

通过引入 IGUANe（具有统一对抗网络的图像生成）方法，该研究使用深度学习方法来解决 MRI 研究中来自多个采集地点的图像数据聚合引入的类内变异性问题，从而实现多中心脑部 MR 图像的协调。

Feb, 2024

通过对多视图数据进行对比学习，我们提出了一种基于 U-Net 的三重编码器和单一解码器网络，tU-Net，可以充分利用未经注释的矢状和冠状视图，以从体积的角度改善前列腺分割。该方法在分割准确度上显示出统计上的改进，并且在缺少视图的情况下，提供了灵活性，表明通过对比学习来利用未经注释的多视图数据的可行性。

Aug, 2023

该论文提出了一种基于贝叶斯学习的医学图像多模式群组注册的通用框架，通过概率建模图像生成过程中的公共解剖结构和几何变化，利用贝叶斯推理实现了群组注册。论文提出了一种新颖的层次化变分自编码架构，可以以数学可解释的方式计算注册参数，通过无监督闭环自重构过程实现群组注册，并且这种架构具有计算效率高、可扩展性强的特点。通过对心脏、脑部和腹部医学图像四个数据集的广泛实验证明了该框架的优越性，包括准确性、效率、可伸缩性和可解释性。

Jan, 2024

本文提出了一种基于卷积神经网络的方法，借助高水平结构对应信息（即解剖标记）推测像素变化，从而实现多模态图像对齐。结果表明，该方法具有广泛的适用性，可在训练过程中利用各种不同类型的解剖标记，并能实现实时自动化、无需标记或初始化的三维图像对齐。

Jul, 2018

本文提出使用 HarmonicGAN 进行无配对图像转换，通过光滑性约束来实现一致的像素映射，并利用距离度量来维护样本的自我一致性。在医疗成像、物体转换和语义标记等应用中得到了明显的定性和定量改善，并取得了优于同类方法的实验效果。

Feb, 2019