MDD-UNet: 医学图像分割的领域自适应与理论保证的概念验证

Dec, 2023

MDD-UNet: 医学图像分割的领域自适应与理论保证的概念验证

MDD-UNet: Domain Adaptation for Medical Image Segmentation with Theoretical Guarantees, a Proof of Concept

Asbjørn Munk, Ao Ma, Mads Nielsen

TL;DR提出了一种具有理论保证的基于边界差异不一致性的无监督领域自适应框架 MDD-UNet，该框架在海马体分割任务上通过学习目标领域中与域无关的特征，实现了对标准 U-Net 的性能改善。

Abstract

The current state-of-the art techniques for image segmentation are often based on u-net architectures, a U-shaped encoder-decoder networks with skip connections. Despite the powerful performance, the architecture

image segmentation u-net architectures domain shift unsupervised domain adaptation mdd-unet

发现论文，激发创造

基于 Unet-GAN 的医学图像分割领域偏移问题和供应商适配

本文提出了一种基于 Unet-GAN 的通用框架，通过无需注释的跨供应商训练和适应性学习来解决困扰医疗场景下声图图像分割问题的难题。

Oct, 2019

nnU-Net：基于 U-Net 的医学图像分割的自适应框架

本文介绍 nnU-Net 作为一个基于 2D 和 3D vanilla U-Nets 的稳健自适应框架，用于医学影像分割任务，其中 nnU-Net 取得了医学影像分割竞赛中最高的平均骰子系数得分。

Sep, 2018

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

基于对抗神经网络的无监督领域自适应脑损伤分割

该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法，此方法更加稳健，并且不需要对测试领域进行任何注释，该系统在对两种头部 CT 数据进行测试时，得到的分割精度非常接近于有监督领域自适应的上限。

Dec, 2016

使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

Apr, 2018

通过可学习的跳跃连接缩小 U-Net 中的语义差距：以医学图像分割为例

在医学图像分割中，通过探索 U-Net 中 skip 连接的潜在弱点，我们提出了 UDTransNet 框架，使用 Dual Attention Transformer (DAT) 和 Decoder-guided Recalibration Attention (DRA) 模块来解决编码器和解码器之间的语义差距，从而提高医学图像的分割效果。

Dec, 2023

基于语义感知的生成对抗网络在胸部 X 光分割的无监督领域自适应中的应用

通过设计语义感知的生成对抗网络，将测试图像转换成源域的外观，保留语义结构信息，并实现语义标签空间内的嵌套对抗学习。通过生成对抗网络映射数据分布、循环一致性保留像素级内容以及语义感知增强结构信息，实现对两个不同的胸部 X 光公共数据集进行左 / 右肺分割的无监督领域自适应，创造性地解决了深度学习在 domain shift 上性能下降的问题，并与有监督的迁移学习性能相媲美。

Jun, 2018

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

领域自适应神经网络用于物体识别

该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。

Sep, 2014

儿科脑肿瘤分割的无监督领域自适应

在本研究中，我们提出了由 Domain-Adapted nnU-Net (DA-nnUNet) 构成的无监督领域自适应模型，用于将成人胶质瘤（源域）应用到儿童胶质瘤（目标域）中，通过添加一个连接有梯度反转层（GRL）的域分类器到 nnU-Net 的骨干网络中实现特征转换，并在保持源域分割准确性的同时将领域无关特征转移到分割模型，结果显示相较于仅使用成人数据的模型，在肿瘤核心（TC）区域有明显性能提升，Dice 系数约提高 32％，95th percentile Hausdorff 距离约提高 20 个单位。

Jun, 2024