2024年1月，广西医科大学基因组与个体化医学研究中心李悦翔教授团队与国内包括上海交通大学、腾讯天衍研究中心在内的多个机构合作，在国际医学图像顶级刊物《IEEE Transactions on Medical Imaging》（IF: 10.6，中科院一区TOP）上发表了题为《Unsupervised domain adaptation for medical image segmentation by disentanglement learning and self-training》的文章，该研究深度探讨了由多中心数据域偏移问题导致的医学人工智能性能下降问题，并提出了相应的解决方案。

图1 所提出的新无监督领域自适应技术DLaST

无监督域自适应（UDA）旨在提高深度模型对未标记数据的分割性能，近年来备受关注。在本文中，我们提出了一种新的UDA方法（即DLaST），通过解纠缠学习和自训练进行医学图像分割。解纠缠学习将图像分解为领域不变的解剖结构和领域特定的模态成分。为了充分利用解纠缠学习，我们提出了一种新的形状约束来提高自适应性能。自训练策略通过对抗性学习和伪标签进一步自适应地提高了模型对目标域的分割性能，这隐含地促进了解剖空间中的特征对齐。实验结果表明，在三个公共数据集（即心脏数据集、腹部数据集和大脑数据集）上，所提出的方法优于最先进的UDA方法进行医学图像分割。

文章链接：https://ieeexplore.ieee.org/document/9832940

作者简介：李悦翔 [共一]（教授，医学人工智能课题组，Medical AI ReSearch | MARS Group），英国诺丁汉大学博士，一直致力于医学影像智能算法的研究。目前共计发表学术论文70余篇，并担任多个CCF-A类会议/期刊的审稿人和领域主席。曾在腾讯以高级研究员的身份主导/参与了多个病种的人工智能辅助诊断系统的开发与落地，并指导多名实习生发表顶会/顶刊论文。

个人主页：https://yuexiangli.github.io