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

介绍了机器学习在医学图像分析中的应用以及领域适应（domain adaptation）的最新进展，详细分类与总结了分为浅层模型和深层模型，分别包含有监督、半监督和无监督学习的领域适应模型，并简要总结了领域适应方法在医学图像数据集上的表现。

Feb, 2021

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

本文提出了一种新颖的批量规范化（BN）统计适应框架，其中逐渐调整域特定的低阶BN统计量（例如平均值和方差），同时通过优化目标明确强制执行域共享的高阶BN统计量的一致性（例如缩放和移位因子）进行的非监督领域自适应，该框架与基于假标签的自训练策略相结合，实现了在没有源域数据的情况下的图像分割任务的迁移。

Sep, 2022

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

深度学习在医学影像中取得了显著的性能，但主要关注有监督学习。为了解决这些问题，已经开发了无监督领域自适应技术，用于从一个有标签的领域转移知识到一个相关但无标签的领域。本文从技术角度对医学影像中最新的深度无监督领域自适应方法进行了综述，并将其分类为六组，进一步根据所执行的不同任务进行了精细的子分类。还讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了这项调查。

Jul, 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

基于深度学习的数字病理学已经在基于组织学图像的癌症诊断中变得流行。本文关注无源领域自适应（SFDA）问题，在组织学中对弱监督目标定位模型的分类和定位准确性中进行了比较。

Apr, 2024

多实例学习在数字病理学应用中具有吸引力，但对于临床实际中的领域漂移敏感性问题尚不清楚，本研究通过训练一种基于注意力机制的多实例学习算法，在来自不同国家的医院数据以及对应于不同程度领域漂移的各个子集上进行分类乳腺肿瘤转移的全切片图像，并提出一种名为Fréchet Domain Distance（FDD）的无监督度量方法来量化领域漂移。FDD的性能表现通过与分类性能变化的平均皮尔逊相关系数衡量，10折交叉验证模型下FDD的相关系数达到0.70，作为评估基准的深度集成（Deep ensemble）、置信度差异（Difference of Confidence）和表达式漂移（Representation shift）方法分别获得的平均皮尔逊相关系数为0.45、-0.29和0.56。FDD可以成为医疗服务提供者和供应商的有价值工具，无需额外的病理学注释就能验证多实例学习系统在新的实施点上是否能够可靠运行。

May, 2024

我们介绍了一种基于Transformer的领域不变蒙版退火学生教师自编码器(D-MASTER)框架，用于乳腺癌检测的领域适应问题，实验证明D-MASTER在多个数据集上的性能明显提高。

Jul, 2024