Domain Adaptation Meets Zero-Shot Learning: An Annotation-Efficient Approach to Multi-Modality Medical Image Segmentation
上线时间：2021-11-29
期刊：IEEE TMI
链接：https://ieeexplore.ieee.org/abstract/document/9627926
临床意义：通用意义，标签稀缺（UDA）。数据安全（ZSL）。
工程创新：A+B: Unsupervised DA + Zero-Shot L
方法：先验模型+适应模型
开源：否
评论：用ZSL来只利用从Source Domain学习到的模型，而不需要涉及到Source Domain所使用到的图像。这样避免了UDA在训练时需要Source Data的问题。虽然是A+B式的，但确实有效。
Beyond Mutual Information: Generative Adversarial Network for Domain Adaptation using Information Bottleneck Constraint
上线时间：2021-10-04
期刊：IEEE TMI
链接：https://ieeexplore.ieee.org/abstract/document/9558836
临床意义：临床迁移部署。通用的。
工程创新：A+B: DA + CAD（computer aided diagnosis）
方法：Information Bottleneck Constraint
开源：否
评论：对比实验做得一般，毕竟没有做UDA。是一个img2img的工作。
Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation
上线时间：2021-10-04
期刊：IEEE TMI
链接：https://ieeexplore.ieee.org/abstract/document/9558816
临床意义：通用的标签稀缺，加上比较新的辅助诊断可用的uncertainty。
工程创新：A+B：Uncertainty Estimation + 半监督
方法：双重分割策略。复合网络。
开源：否
评论：uncertainty的使用和实现比较有趣。这个本身是有临床潜力的，可以让医生更注重那些可能有问题的病例。在分割时使用了保守分割策略（更侧重前景）和激进分割策略（更侧重背景的正确）。为达成这一目的，在代价设置上，让不同比例的前景、背景像素具备相同的代价。保守分割和激进分割两者相同为certain，两者不同为uncertian。
Deep Symmetric Adaptation Network for Cross-Modality Medical Image Segmentation
上线时间：2021-08-16
期刊：IEEE TMI
链接：https://ieeexplore.ieee.org/abstract/document/9514499
临床意义：通用的标签稀缺+部署困难。
工程创新：相互适应（？）
方法：复合网络。
开源：暂未开源： https://github.com/ting2696/Deep-Symmetric-Adaptation-Network
评论：Symmetric Adaptation，让源域和目标域相互适应。图1挺有特点。
