CrossMoDA 2021 challenge: Benchmark of Cross-Modality Domain Adaptation techniques for Vestibular Schwannoma and Cochlea Segmentation
上线时间：2022-01-08
期刊：MIA
开源：https://paperswithcode.com/dataset/crossmoda
评论：公开的脑部跨模态域适应数据集。
MT-UDA: Towards Unsupervised Cross-modality Medical Image Segmentation with Limited Source Labels
上线时间：2021-09-21
期刊：MICCAI
链接：https://link.springer.com/chapter/10.1007/978-3-030-87193-2_28
临床意义：通用意义，标签稀缺。
工程创新：A+B: Unsupervised DA + Knowledge Transfer
方法：双重师生模型+UDA
开源：https://github.com/jacobzhaoziyuan/MT-UDA
评论：源域半监督+跨域UDA+双重师生模型。叠起来还是挺好的。双循环对位模块用于双向降低域漂移，生成近似源域和近似目标域。
Semi-Supervised Hybrid Spine Network for Segmentation of Spine MR Images
上线时间：2021-09-21
期刊：N/A
链接：https://arxiv.org/abs/2203.12151
临床意义：在3DMRI中，自动分割椎体 (VB) 和椎间盘 (IVD) 对于诊断和治疗脊柱疾病很重要。
工程创新：混合半监督+注意力机制
方法：2D+3D Deeplab + 三重注意力融合
开源：https://github.com/meiyan88/sshsnet
评论：用较长的篇幅解释清楚了怎么完成网络构建。
JCS: An Explainable COVID-19 Diagnosis System by Joint Classification and Segmentation
上线时间：2021-02-18（投稿2020-03-16）
期刊：IEEE TIP
链接：https://ieeexplore.ieee.org/abstract/document/9357961/
临床意义：胸部CT扫描测试为RT-PCR测试提供补充信息，用于感染检查。
工程创新：联合分类和分割 (JCS) 系统来执行实时和可解释的 COVID-19 胸部 CT 诊断。
方法：双路网络。
开源：https://github.com/yuhuan-wu/JCS
评论：写得快，数据集大加上有现实实践真的可以随便做的。
Disentangled Inference for GANs With Latently Invertible Autoencoder
上线时间：2022-03-22（投稿2020-03-16）
期刊：IJCV 2022
链接：https://link.springer.com/article/10.1007/s11263-022-01598-5
工程挑战：生成对抗网络 (GAN) 无法在潜在空间中编码真实样本。we cannot infer the latent variable $z$ corresponding to a given sample $x$ such that the image can be faithfully reconstructed from $z$ by the GAN generator.
方法：潜在可逆自动编码器 (LIA) 。在 LIA 中，可逆网络及其逆映射对称地嵌入自编码器的潜在空间中。LIA 的解码器首先被训练为具有可逆网络的标准 GAN，然后通过将可逆网络从 LIA 中分离出来，从解纠缠的自动编码器中学习编码器。
开源：https://github.com/genforce/lia
评论：对潜在空间的解纠缠的解析使用了VAE来完成，可以视作用VAE来外联GAN。能够对潜在空间解纠缠可以让GAN的生成的定向能力提升。
CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation
上线时间：2021-09-13
期刊：ICCV 2021
链接：https://arxiv.org/abs/2109.06165
工程挑战：基于类别级别的 UDA 的一个基本问题是为目标域中的样本生成伪标签，这些伪标签通常对于准确的域对齐来说过于嘈杂，不可避免地会影响 UDA 的性能。
工程创新：Transformer 中的交叉注意力对嘈杂的输入对具有鲁棒性，可以更好地进行特征对齐。
方法：设计了一种双向中心感知标签算法来为目标样本生成伪标签。除了伪标签之外，还提出了一个权重共享的三分支转换器框架，以分别将自注意力和交叉注意力应用于源/目标特征学习和源-目标域对齐。
开源：https://github.com/cdtrans/cdtrans
评论：构造Transformer来完成UDA，降低伪标签的噪声影响。实验做得一般。
