计算机应用研究

作者：李佳燨,刘红英,万亮,

单位：天津大学医学工程与转换医学研究院,天津300072；

关键词：医学图像分析,域自适应,域间偏移,源域,目标域,

基金：天津市自然科学基金资助项目(21JCYBJC00510)；天津市研究生科研创新项目(2022SKY081)；；

深度学习技术的广泛应用有力推动了医学图像分析领域的发展，然而大多数深度学习方法通常假设训练集和测试集是独立同分布的，这个假设在模型临床部署时很难保证实现，因此常出现模型性能下降、场景泛化能力不强的困境。基于深度学习的域自适应技术是提升模型迁移能力的主流方法，其目的是使在一个数据集上训练的模型能够在另一个没有或只有少量标签的数据集上也获得较好结果。由于医学图像存在着样本获取和标注困难、图像性质特殊、模态差异等情况，这给域自适应技术带来很多现实挑战。首先介绍域自适应的定义及面临的主要挑战，进而从技术角度分类总结了近年来的相关算法，并对比分析其优缺点；然后详细介绍了域自适应常用的医学图像数据集以及相关算法结果情况；最后，从发展瓶颈、技术手段、交叉领域等方面，展望了面向医学图像分析的域自适应的未来研究方向。

来源：2024年第5期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第5期