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

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

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

提出一种名为 UAD 的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

Feb, 2024

我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，结合分层自学习策略，在交叉中心前列腺 MRI 分割数据集上取得显著进展，仅有 5% 的注释，在两个目标域与现有方法相比，平均 Dice 分数提高了 9.78% 和 7.58%，与全监督学习相当。

Jul, 2024

本研究旨在通过提出一种新型架构，即 C-SUDA，解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题，并在不利于源领域的情况下，仅通过利用假标记的目标数据和源模型来维护源领域的性能，实现更好的目标领域性能。在 PACS、Visda-C 和 DomainNet 等基准数据集上的实验结果表明，C-SUDA 框架能够在完全不利用源数据的情况下，保持对源域的满意性能。

Apr, 2023

我们提出了一种新颖的基于不确定性伪标签引导的源域自由领域适应方法，通过目标领域增长和两次前向传递监督来提高医学图像分割的多样性和准确性，获得可靠的伪标签并进一步优化自适应性。在多个数据集上的实验证明，与基准方法相比，我们的方法在三个任务中平均提高了 5.54％，5.01％和 6.89％的 Dice 系数。

Sep, 2023

本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

Aug, 2021

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023