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

本研究针对医学图像重建问题，提出了一种数据增强（DA）的方法 MRAugment，通过多项实验证明，在训练数据较少的情况下，MRAugment 能有效地防止过拟合并达到甚至超过目前最新技术水平；而在大量训练数据下，MRAugment 的效果则有所降低。此外，研究结果还表明，DA 方法能提高模型对于测试数据偏移的鲁棒性。

Jun, 2021

本研究提出了一种自适应数据增强方法，称为 DDAug，它通过动态建立一棵树状结构，使用高效的蒙特卡罗树搜索算法来更新、修剪和采样该树，从而自动优化数据集的数据增强管道，实验结果表明该方法优于当前最先进的数据增强策略。

May, 2023

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。我们的半监督学习方法利用在带有真实注释的小型公共乳腺超声数据集上训练的原始模型，针对领域适应任务进行迭代改进，生成私人未标记乳腺超声数据集的伪掩膜。该数据集的大小是公共数据集的两倍，并在图像采集角度和人群代表性方面具有相当的变异性，具有领域转移的挑战。与典型的领域对抗训练不同的是，我们使用下游分类结果作为基准，指导随后迭代中伪掩膜的更新。我们发现分类精度与生成的 ROIs 的完整性之间高度相关，促进了深度学习分类模型的解释性。初步研究结果证明了这种方法在简化 ROI 注释过程，从而增强乳腺病变的分类和定位以进行更精确和可解释的诊断方面的效果和可靠性。

Apr, 2024

通过深度学习在医学图像分割中解决多评价人医学图像标注模糊边界、不同专家间观察者技能和偏好等固有数据不确定性带来的注释不确定性问题。提出了名为 D-Persona 的两阶段框架，通过训练概率性 U-Net 模型和设计多个基于注意力的投影头实现在共享潜空间中获得多样化和个性化结果，实验结果表明 D-Persona 在多评价人医学图像分割上取得了新的 SOTA 性能。

Mar, 2024

该研究介绍了一种生成模型 DDMM，可以在大量医学影像分割应用中实现无监督生成逼真的 X 光图像和相关分割结果，并提供数据增强来优化分割性能，优于其他采用数据中心化方法的技术。

Apr, 2023

提出了一种结合 Denoising Diffusion Probabilistic Model (DDPM) 和 UNet 架构的 X-ray 图像合成方法，通过使用 3000 多张从 Kaggle 获取的肺炎 X-ray 图像进行训练，成功地生成了与非肺炎图像有明显差异的逼真图像，突出了模型捕捉正样本的关键特征的能力，该合成器能够生成高质量图像，有助于提高机器学习模型的性能，为医疗行业中的更准确、高效的医学诊断铺平道路。

Jan, 2024

本文提出了一种基于弱监督学习的 Two-Stage Detection and Diagnosis Network (TSDDNet)，用于增强乳腺癌超声计算机辅助诊断的精确性，通过优化检测网络和分类网络，使模型在病灶检测和诊断任务中达到最佳表现。

Jun, 2023

本文提出了一种基于深度学习的医学图像诊断方法，使用协同非监督领域自适应算法，从相关领域的有标签数据中进行学习，以提高样本可用性和对抗标签噪声。实验结果证明了该方法的优越性。

Nov, 2019

本文介绍了一种基于深度学习和主动学习技术的医学图像分析方法，使用 ORB 特征描述符对无标注的样本进行抽样，并通过对 3 个医学图像数据集的验证证明该方法的有效性和高效性。

Sep, 2018