面向医学影像无监督域适应的深度学习：近期进展与未来展望
图像与视频处理
2023-08-03 v1 计算机视觉与模式识别
机器学习
摘要
深度学习在医学影像的各项任务中展现出卓越性能。然而，这些方法主要关注监督学习，假设训练数据与测试数据来自同一分布。遗憾的是，该假设在实践中未必总成立。为解决这些问题，无监督域适应（UDA）技术被开发出来，用于将知识从有标签域迁移到相关但无标签的域。近年来，UDA 取得显著进展，产生了广泛的方法，包括特征对齐、图像翻译、自监督以及解耦表示等方法。本文从技术视角对医学影像中近期的深度 UDA 方法进行全面的文献综述。具体而言，我们将当前医学影像中的 UDA 研究分为六类，并根据其所执行的不同任务进一步划分为更细的子类别。我们还讨论了各研究中使用的数据集，以评估不同域之间的差异。最后，我们探讨新兴领域，并就未来研究方向提供见解与讨论，以此总结本综述。
引用
@article{arxiv.2308.01265,
title = {Deep learning for unsupervised domain adaptation in medical imaging: Recent advancements and future perspectives},
author = {Suruchi Kumari and Pravendra Singh},
journal= {arXiv preprint arXiv:2308.01265},
year = {2023}
}
备注
Under Review