On-the-Fly Test-time Adaptation for Medical Image Segmentation
上线时间：2022-03-10
期刊：N/A
链接：https://arxiv.org/abs/2203.05574
临床意义：高速域适应：在现实世界的临床环境中，动态调整模型以适应新的测试图像并避免在推理过程中由于隐私问题和部署时缺乏计算资源而更新模型更有意义。
工程创新：zero-shot + episodic
方法：对Unet的每个卷积块都配备了一个自适应批量归一化层，以根据pre-train的域代码调整特征。
开源：https://github.com/jeya-maria-jose/On-The-Fly-Adaptation
评论：看到开头以为挺好，往后看了感觉一般。实验做得有点问题。
episodic (i.e., the model is adapted to a single image at a time and also does not perform any back-propagation during test-time)
Identifying and preventing cardiovascular disease in patients with cystic fibrosis
上线时间：2022-03-10
期刊：Nature CVR
链接：https://www.nature.com/articles/s44161-022-00030-y
临床声明：提高护理标准和新疗法意味着囊性纤维化患者的寿命更长，但这会增加患非传染性疾病的风险，尤其是心血管疾病 (CVD)。为了提高寿命和生活质量，重要的是要考虑囊性纤维化患者的 CVD 风险和预防措施。
评论：一篇comment。
Active Learning for Domain Adaptation: An Energy-Based Approach
上线时间：2021-12-02
期刊：AAAI 2022
链接：https://arxiv.org/abs/2112.01406
工程意义：提出了一种新的主动学习策略来帮助目标域中的知识转移，称为主动域适应。
工程创新：当训练（源）和测试（目标）数据来自不同分布时，基于能量的模型表现出自由能偏差，基于能量的采样策略有助于选择最有价值的目标样本。
方法：查询目标数据组，在每一轮选择中纳入领域特征和实例的不确定性。同时，通过正则化项对齐目标数据的自由能与源域周围的自由能，隐性地缩小域之间的差距。
开源：https://github.com/BIT-DA/EADA
评论：基于能量模型的UDA还是比较少见到的。或许我可以再看一下。
Dual-Modality Volume Measurement Integrated on a Ventricular Assist Device
上线时间：2021-09-24
期刊：IEEE TBME
链接：https://ieeexplore.ieee.org/document/9547820
临床挑战：使用一种传感器模式的体积测量需要在 VAD 植入后的特定时间重新校准。
工程创新：将超声和阻抗体积测量技术集成到心尖 VAD 中。
评论：硬件上的多模态测量。实验较为简单。
Zero-Shot Video Object Segmentation With Co-Attention Siamese Networks
上线时间：2020-11-24
期刊：IEEE TPAMI
链接：https://ieeexplore.ieee.org/document/9268466
工程挑战：Zero-Shot
工程创新：差异化的共同注意力机制
方法：利用视频帧之间的内在相关性并结合全局共同注意力机制，学习短期时间段中外观和运动的判别前景表示。
评论：确切来说，这个方法没有进行对于时序的建模，有点类似Trans对LSTM的改变一样，这个网络抽取视频序列中的任意两帧输入网络，并建模帧和帧的关系。这样它能学到的关系其实是更丰富的。
