提出了一种多任务一致性引导的无源测试时间领域适应医学图像分割方法，确保局部边界预测结果和全局原型表示之间的一致性，显著提高了医学图像分割的性能。

Oct, 2023

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

本文研究单一领域通用的医学图像分割问题，提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法，并在两个医学图像分割任务上进行了广泛实验验证。

Jun, 2022

通过将辅助降噪解码器纳入基本的 U-Net 结构中，我们提出了自去噪 Y-Net (DeY-Net) 这一全新方法，该方法利用自我监督学习范式以减少对源域的过拟合，提高域泛化能力，并且可以利用未标记的数据，通过进一步适应目标域和噪声污染输入的方式，我们还提出了自去噪测试时间适应 (DeTTA)。广泛的实验表明，与其他方法相比，我们的方法在广泛应用的肝脏分割基准测试中取得了显著的领域泛化改进和先进结果。

Oct, 2023

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

本研究提出了一种测试时间域自适应评估框架，该框架表明了针对测试数据进行领域适应可以优于在目标领域中看到更多数据的领域适应方法，支持无监督域自适应应在测试时间使用，即使只使用单个目标领域主题。

Oct, 2020

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

跨模态 MRI 分割是很有价值的计算机辅助医学诊断方法，但现有方法难以处理领域变化的局部差异，并且通常需要大量数据进行训练，这限制了其实际应用。为解决这些问题，我们提出了一种新颖的自适应领域泛化框架，它将基于图像梯度图的无学习跨领域表示与基于类先验的测试时适应策略相结合，以减轻局部领域变化。我们在两个多模态 MRI 数据集上验证了我们的方法，并进行了六个跨模态分割任务。在所有任务设置中，我们的方法始终优于竞争方法，并且在有限的训练数据下表现稳定。

Nov, 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

本文研究医疗图像处理中深度学习模型的单源域泛化问题，并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法，包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。

Nov, 2021