本文提出了一种用于医学图像领域通用性问题的Deep Stacked Transformations (DST)方法，并通过对三种任务的测试表明，DST模型对于未曾接触的数据集性能的下降仅有11%左右，可更好地应对图像域的差异，因此可以在更临床上的任务中发挥作用。

Jun, 2019

本文通过评估胸部放射照相图像数据集中的移域偏移，考察不同数据集在深度学习模型的训练和测试中的性能差异，并证明在 CheXpert 和 MIMIC-CXR 数据集上训练的模型更能够在其他数据集上实现更好的泛化。

Sep, 2019

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

本文提出了MDViT，这是第一个包含领域适配器的多领域ViT，通过自适应地利用多个小型数据资源 (领域)中的知识来减轻数据饥饿和对抗NKT，实现增强跨领域的表示学习。在 4 个皮肤病变分割数据集上的实验表明，MDViT 胜过了最先进的算法，在推理时具有更好的分割性能和固定模型大小，即使增加更多的领域。

Jul, 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

我们提出将领域泛化和测试时间适应相结合的方法，在未见目标领域中重新使用预训练模型，并通过优化模型权重以确保每个未见扫描的高质量分割，以消除当前的数据可用性障碍。

Dec, 2023

医学图像分析（MedIA）作为计算机辅助诊断系统中的关键工具，近年来随着深度学习（DL）的进步而崭露头角。然而，当训练良好的深度模型在不同的医学站点、模态和序列上部署时往往会遇到显著的性能下降，即域偏移问题。针对这一问题，医学图像域泛化（DG）旨在通过在未知数据分布中有效泛化和鲁棒地执行，解决域偏移挑战。本文对该领域的重要发展进行了综述，包括对域偏移和医学领域域泛化的正式定义以及几个相关设置的讨论。随后，我们从数据操作、特征表示和模型训练三个角度总结了最近的方法，并详细介绍了每个角度的一些算法。此外，我们介绍了常用的数据集。最后，我们总结了现有文献，并提出了一些未来的潜在研究课题。为了支持此次调研，我们还创建了一个GitHub项目，收集了相关资源，链接为：https://this-URL-github-project

Feb, 2024

医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制-粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

Apr, 2024

医学图像分割中，针对域普适性的成功，将全部源领域的体素注释作为一个巨大负担。最近提出的半监督域普适性通过利用来自多个医疗机构的有限标记数据和丰富的未标记数据来应对这一挑战，依靠精确利用未标记数据同时改善普适性。然而，我们观察到医疗机构之间的领域转换导致特征统计上的差异，使伪标签质量明显降低，由于意外的归一化过程。然而，这个现象可用于促进未知领域的普适性。因此，我们提出了多个统计个体分支来减轻领域转换的影响，以获得可靠的伪标签，并提出了一个统计聚合分支用于域无关特征学习。此外，为了模拟具有统计差异的未知领域，我们从图像水平和特征水平上采用直方图匹配的扰动和随机批归一化选择策略，生成多样化的统计信息以扩展训练分布。在三个医学图像数据集上的评估结果证明了我们的方法与最近的SOTA方法相比的有效性。

Jul, 2024

本研究针对医学图像分割中由于扫描仪模型和协议的差异导致的领域转移问题，探讨了视觉基础模型在领域泛化性能上的影响。我们提出了一种新颖的解码头架构HQHSAM，并通过综合多个基础模型和高效微调技术进行实验，发现HQHSAM能够显著提升医学图像的分割效果，揭示了基础模型在临床应用中的重要潜力。

Sep, 2024