本研究通过生成合成FDG PET图像，提升了深度无监督异常检测模型的表现。多种GAN框架的应用表明，使用合成数据训练的模型在检测轻微癫痫病变时灵敏度达到74%，显示出其临床应用价值。

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。

本文综述了医学影像中最新的深度无监督领域自适应技术，将其分类为六组，并根据不同任务进行了子分类。同时讨论了用于评估不同领域之间差异的研究中使用的相应数据集。最后，提供了未来研究方向的见解和讨论。

本文综述了医学影像中最新的深度无监督领域自适应方法，并将其分类为六组，进一步根据任务进行了子分类。还讨论了用于评估不同领域之间差异的研究中使用的数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论。