跨领域腺癌分割的领域和内容自适应卷积
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
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
通过训练深度学习模型将CT图像的肝脏分割模型迁移到MRI图像分割任务中，通过领域自适应方法中的分解表示方法，我们将一个域中的图像映射到共享内容空间和特定样式空间中，这使得我们在多模式医学图像领域实现了高精度的肝脏分割。
Jul, 2019
本文提出了一种名为SIFA的新型无监督域自适应框架，从图像和特征两方面进行协同对齐，利用多方面的对抗学习和深度监督机制增强了特征的域不变性，提高了在未标记目标图像上的分割性能。
Feb, 2020
本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法，其中使用非下采样轮廓波束变换来识别域不变分量和域变分量，并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明，我们的方法优于现有最先进的方法。
Nov, 2022
本文提出了一种基于元学习和数据幻觉的元幻觉框架，旨在解决医学图像分析中标签稀缺和领域转移问题，尤其是在少样本场景下，通过数据幻觉和交叉域知识传递来增强性能。对跨模态心脏分割的广泛实验表明，该方法在少样本无监督领域自适应情况下比其他方法表现更出色。
May, 2023
使用自注意力图像翻译、不确定性约束下的伪标签改进和三维自我训练的简单而有效的 SDC-UDA 框架通过无监督域适应在医学图像领域中可以实现病态标记数据从一个成像模态到具有无标签标签的另一个成像模态的转换，其在分割精度和在切片方向上连续性上均表现出优异的性能。
May, 2023
我们首次提出了开放式复合域适应（OCDA），明确考虑组织病理学领域内的异质性，并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示，以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和OCDA方法。
Jan, 2024
本研究解决了胰腺内镜超声图像中病变精确分割的挑战，克服了由于图像不足导致的诊断困难。提出的跨器官肿瘤分割网络（COTS-Nets）通过利用边界损失和一致性损失，从不同器官中获取域不变知识，显著提高了胰腺癌的诊断准确性，并开发了包含501幅病理确认的EUS图像的数据集以支持模型开发。
Sep, 2024
本研究旨在解决数字病理图像中由于器官、组织制备方法和图像获取过程的差异导致的领域不一致问题。通过使用Rein方法对各种视觉基础模型进行高效微调，研究表明该方法在MICCAI 2024跨器官和跨扫描仪腺癌分割挑战中的表现令人满意，最终在任务1和任务2中分别取得了优异的分数。这一研究为数字病理学领域的图像分割提供了重要的技术进展。
Sep, 2024