本文综述了无监督领域自适应方法在医学图像分割中的应用，强调深度学习技术的进展。研究提出了结合特征匹配和域对抗训练的框架，展示了在不同数据集上优于现有技术的效果，并探讨了未来研究方向。

本文提出了一种新的数据有效的多域医学图像分割方法，结合了特征先验匹配和域对抗训练。在公共多模态心脏图像分割数据集上评估，该方法胜过现有技术。对先验匹配和域对抗训练进行了消融研究。

本文提出了一种新的数据有效的多域医学图像分割方法，结合了特征先验匹配和域对抗训练。该方法在公共多模态心脏图像分割数据集上评估，胜过现有技术。对先验匹配和域对抗训练进行了消融研究，阐明方法的理论基础。

该文提出了一种新的深度无监督领域自适应方法，用于多域医学图像分割。该方法结合了特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，该方法在仅使用一个未标记的3D CT扫描的情况下胜过现有技术。最后，对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

该文提出了一种新的深度无监督领域自适应方法，用于多域医学图像分割。该方法结合了特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，该方法在仅使用一个未标记的 3D CT 扫描的情况下，胜过现有的技术。最后，对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。