通过组合性增强跨模态医学图像分割

提出了一种基于对抗学习的无监督域适应框架，解决不同模态医学图像分割中的跨域问题。

该方法利用MRI图像训练的卷积神经网络，适应非配对的CT数据进行心脏结构分割，取得良好效果。

研究探讨了多模态学习、形状先验知识和图像对齐等方法，验证了在多个医学任务中的优越性和鲁棒性。

新型多模式学习方案在心脏结构分割和腹部器官分割任务上优于单模态培训和以前的多模式方法。

利用形状先验知识和图像对齐模块进行医学图像的协同分割，验证了在CT分割上的优越性。

提出基于双标准化模型的方法，解决跨模态分割中不同领域之间的特征差异问题，实验结果优于其他领域泛化方法。

研究组合性学习可解释和泛化的表示，探索最佳性能的半监督域泛化医学图像分割任务。

提出自适应领域泛化框架，结合无学习跨领域表示与类先验的测试时适应策略，减轻局部领域变化。

提出跨模态条件重构方法，实验证明其在不同数据集上的优越性能。

提出元学习的跨模态知识蒸馏新方法，能够在缺少重要模态的情况下保持高准确性。

针对多模态学习方法依赖大量标注数据的局限性，提出鲁棒半监督多模态分割框架，增强分割性能。