域自适应图像分割(domain adaptation)

domain adaptation 主要包括image-level 和 feature-level 两个层面的适配， 其中，image-level多依赖GAN进行转化，feature-level多依赖loss损失函数，或者对抗思想来约束两个domain的特征

1. 《Patch-based Output Space Adversarial Learning for Joint Optic Disc and Cup Segmentation》

通过对抗思想对特征进行适配
具体的，首先通过UNet网络粗糙分割Optic Disc来提取ROI,具体为以其分割中心crop固定大小块(512×512)送入后面的分割网络，得到Optic Disc和Cup的分割结果，然后利用对抗学习，即经过patch discriminator(PatchGAN)来实现分割网络对来自source domain和target domain的图片的分割结果分布的一致性。

2.《Boundary and Entropy-driven Adversarial Learning for Fundus Image Segmentation》

通过对抗思想对特征进行适配
通过对抗思想加强对不同数据集(域)的图像样本的边界(boundary)和不确定区域(entropy)特征的一致性,以实现更好的域自适应的分割结果。

3.《Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation》

通过GAN进行image-level转化，通过对抗思想进行feaute-level适配
结合image alignment 和 feature alignment 做医学图像MRI 和 CT 之间的domain adaptation
具体的，通过CycleGAN实现image alignment, 同时对生成图片空间和分割预测空间（下图最右侧）使用对抗损失实现feature alignment.

4.《What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation》

image-level 和 feature-level 联合适配，二者相互促进

5.《Adversarial Domain Adaptation with Domain Mixup》

创新点：通过VAE和判别器趋同source 和 target 分布
通过mixup 建模source 和 target 之间一系列分布

6.《Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation》

主要思想：discriminator 不再是简单二分类器判断特征来自哪个domain, 而是确切到哪个domain得哪个class. 通过对抗学习，不同domain的精确到同一class的特征逐渐一致。