Unsupervised domain adaptation Related work
CT->MRI&MRI->CT dataset
MMWHS：Multi-Modality Whole Heart Segmentation 2017
CHAOS：MICCAI 2017
可能参考的论文不够多
任务：
- 医学图像通常来自不同的中心、使用不同参数的不同扫描仪或不同的成像模式，这导致了它们之间存在领域偏移。这种领域偏移常常会导致模型性能严重下降。UDA任务大多是这个任务背景。
- 解决在医学图像分割中，由于稀有病症图像样本极其稀少，导致深度模型难以有效泛化的问题。FSDA任务。
- LDCT相关的DA问题，在医学图像分割任务中，LDCT图像的低质量、噪声和不同的扫描条件增加了领域间的差异。
工作一
论文：
Dual domain distribution disruption with semantics preservation: Unsupervised domain adaptation for medical image segmentation. MIA 2024
代码：https://github.com/MIXAILAB/DDSPSeg
任务
待审核论文对比的baseline，针对传统的UDA方法利用GAN网络进行域转换导致转换后的图像出现分割错误的问题，采用语义约束和跨通道对齐源域和目标域之前的特征，实现在三个公开数据集上优于当时最先进的UDA方法。
数据集
- MMWHS17 心脏分割
- BraTS18 脑肿瘤分割
- PROMISE12 challenge dataset 前列腺分割
工作二
论文：Style mixup enhanced disentanglement learning for unsupervised domain adaptation in medical image segmentation.MIA2025
任务
本论文研究的是在医学图像分割任务中的UDA在跨模态数据之间由于风格差异造成的Domain Shift问题，其采用 Disentanglement learning和style mixup等构建了SMEDL的框架，提升对语义不变特征的学习能力，通过定性和定量实验证明了其方法在UDA 医学图像分割方面的有效性。
数据集
MM-WHS
- 包含 20 个 MRI 和 20 个 CT 心脏图像；
- 分割目标为心脏的四个结构：升主动脉（AA）、左心房腔（LAC）、左心室腔（LVC）和左心室心肌（MYO）；
- 实验包括 MRI → CT 和 CT → MRI 的双向迁移。
MS-CMRSeg
包含三种 CMR 序列：bSSFP、LGE 和 T2；
使用 bSSFP 为源域，LGE 为目标域；
分割目标为：右心室、左心室和心肌。
BraTS18
包含高等级胶质瘤和低等级胶质瘤病人的多模态 MRI 图像；
使用 HGG 作为源域，LGG 作为目标域；
分割目标为：整个肿瘤区域。
工作三
论文：Style adaptation for avoiding semantic inconsistency in Unsupervised Domain Adaptation medical image segmentation.MIA 2025
任务场景
主要解决的问题是，在不同医学影像设备或采集中心导致的数据分布差异下，如何通过风格对齐而不是语义对齐来实现有效的跨域图像分割。该方法将域对齐问题转换为风格对齐问题，以避免语义信息在对齐过程中的混淆和破坏。
数据集
- MM-WHS ：用于多个模态下心脏结构的分割。
- 腹部多器官分割数据集
- MRI 数据来自 ISBI 2019 CHAOS 竞赛，包含 20 个 T2-SPIR MRI 三维图像；
- CT 数据来自公开的腹部 CT 数据集，包含 30 个三维图像。
- 分割目标包括：脾脏、肝脏、左肾、右肾。
工作四
论文:Unsupervised domain adaptation with multi-level distillation boost and adaptive mask for medical image segmentation.MIA 2025
链接：
任务场景
本工作关注如何处理不同医学图像来源或设备之间的差异。通过改进Mean-Teacher框架，通过引入多层次蒸馏增强和自适应掩膜策略来提升模型的泛化能力和适应性，从而改善了医学图像中的目标区域分割效果。
数据集
- Fundus 数据集 眼底图片
- REFUGE
- RIM-ONE-r3
- Drishti-GS
- RIGA+
- Polyp 数据集 息肉图片
- CVC-EndoSceneStill
- CVC-ColonDB
- ETIS-LARIB
- Kvasir
工作五
论文：O2M-UDA: Unsupervised dynamic domain adaptation for one-to-multiple medical image segmentation.MIA 2023
任务场景
该方法通过无监督域自适应技术应对由不同扫描设备、扫描参数等引起的领域间分布差异，以解决传统方法无法有效应对多领域目标数据的问题。
数据集
JSPH → KiTS19
- JSPH（江苏人民医院） ：一个腹部CT图像数据集，用于肾脏和肿瘤的分割任务，图像采集于同一医院。
- KiTS19 ：来自多个医疗中心的CT图像数据集，涵盖不同的扫描阶段，任务是肾脏和肿瘤的分割。
ACDC → MyoEmidec
- ACDC ：包含100个患者的心脏磁共振图像，任务是右心室、左心室和心肌的分割。
- MyoEmidec ：包括来自MyoPS2020和EMIDEC的数据集，涉及不同的心脏病变类型，图像采集阶段包括正常MRI和病理性MRI。
一些记录
- 计算复杂度，采用了傅里叶变换和频率风格混合进行数据增强，计算复杂度或许会很高，不知道计算复杂度在这个UDA医学图像方面是否有较大的需求。
- 确实缺少了特定任务的数据集，因为只包含心脏的数据集，从CRI和CT成对的数据集确实稀少，目前的UDA工作大多BraTS18 脑肿瘤分割和MMWHS17心脏分割，后者是待审核论文使用的。
- 参考MIA2024的文献，UDA方向的相关论文比较少（时间有限只去找了看了MIA的）
- 消融实验
工作六
论文：DDA-Net: Unsupervised cross-modality medical image segmentation via dual domain adaptation.MIA 2022
链接：DDA-Net: Unsupervised cross-modality medical image segmentation via dual domain adaptation
任务场景
本论文通过双领域自适应来应对医学图像中不同模态之间的领域偏移问题。通过使用跨模态自动编码器和 对抗学习 ，DDA-Net能够将源领域和目标领域的图像映射到共享的特征空间中，从而实现跨模态的图像分割，而无需目标领域的标注数据。
数据集
- MRBrainS18 数据集
- 该数据集包含7组脑部MRI图像，每组图像包括T1、T1-IR和T2-FLAIR三种不同的脉冲序列。
- 任务 ：从T1图像到T1-IR和T2-FLAIR图像的跨模态图像分割。
- MM-WHS17 数据集
Few-Shot Domain adaptation Related work
工作一
论文：PFMNet: Prototype-based feature mapping network for few-shot domain adaptation in medical image segmentation.MIA 2024
任务场景
本论文聚焦于 Few-Shot Domain Adaptation ，目标是解决在医学图像分割中，由于稀有病症图像样本极其稀少，导致深度模型难以有效泛化的问题。
为此，论文提出了一种新颖的原型驱动特征映射网络，该网络：
- 在编码器与解码器之间引入原型特征映射模块；
- 将目标域的高阶特征映射为源域风格的特征，使得解码器能更有效地理解并生成准确的分割结果；
- 能在仅使用5~20张标注图像的少量目标域样本条件下实现精确的图像分割。
数据集
REFUGE Challenge 数据集
Kvasir