本研究提出了一种新颖的无源主动域适应方法 (SFADA)，通过生成具有不断演化的 DR 关系特征的彩色眼底图像，通过局部表示匹配主动选择一些有价值的 UWF 眼底图像进行标注，并利用 DR 病变原型在 UWF 眼底图像上进行模型适应。实验结果表明，与基准方法相比，我们提出的 SFADA 在 DR 分级性能上达到了最先进的水平，准确率提高了 20.9%，加权 kappa 系数提高了 18.63%，分别达到了 85.36% 和 92.38%。这些研究结果显示了我们方法在实际临床实践中的潜力。

Sep, 2023

基于 IRSLO 图像，我们研发了一种专门用于血管分割的算法，并将其作为开源项目发布。该算法采用了 U-Net 深度学习网络，在测试集上达到了较高的准确率，并可用于计算血管指标，如分形维度和血管密度。

Nov, 2023

该研究提出了一种简单而强大的对比学习框架，用于医学图像分析中的无监督领域自适应，在标记的源分布和未标记的目标分布之间缩小域间差距。实验证明，该方法可以从标记的 3DRA 模态数据中学习潜在特征，并改善未标记的 MRA 模态数据中的血管分割性能。

Feb, 2024

该研究提出了一种基于 Cross-domain Collaborative Learning 的多种视网膜疾病从广视野和超广视野眼底图像中识别的方法，并在多个数据集上与其它基线模型进行比较。

May, 2023

冠状微血管疾病的风险对人类健康构成了重大威胁。通过计算机辅助分析和诊断系统，医学专业人员可以在疾病进展的早期进行干预，而 3D 血管分割作为关键组成部分。我们利用傅立叶域学习作为 3D 分层分割模型中多尺度卷积核的替代方法，既可以降低计算负荷，又能保持网络内的全局感受野。此外，设计了一个零参数频域融合方法来改进 U-Net 架构中的跳过连接。在一个公共数据集和一个内部数据集上的实验结果表明，我们的新颖傅立叶变换基于网络在管状血管分割任务中取得了显著的骰子性能（ASACA500 上达到 84.37％，ImageCAS 上达到 80.32％），同时还大大减少了计算需求，而不损害全局感受野。

Jan, 2024

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

该研究提出了一种多锚点主动学习策略用于语义分割无监督领域适应，以缓解手动注释的工作量，并在公共数据集上大量提高性能。

Aug, 2021

提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法，用于三维医学图像分割，通过交叉域数据增强生成高质量伪标签，结合标注的源域图像和目标域伪标签进行模型训练，在多个公共多模态数据集上表现优于十种先进的 UDA 方法，并在某些情况下甚至超过了全监督学习的效果。

Apr, 2024

利用 2D 视觉基础模型 (VFM) 的先验知识，我们提出了一种新的 VFMSeg 流水线，通过利用这些模型来进一步增强跨模态的无监督领域自适应框架，以提供更精确的无标签目标领域标签并改善整体性能。

Mar, 2024

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