于胡飞，温景熙，辛江，唐艳

中南大学计算机学院，湖南 长沙 410083

1 引言

在医疗图像领域，深度学习技术被广泛应用到疾病的辅助诊断、医学图像增强[1]和病变检测以及病理研究中。在脑影像研究中，目前对人脑进行研究时使用的数据大部分是由同一型号、同一参数的机器采集的。不同型号或参数产生的机器噪声会造成数据的分布不一致。然而，来自同一型号、同一参数的机器采集的同分布的数据往往数量很少。目前对深度学习的研究往往依赖大量的有标签的训练数据，当来自某一个域（目标域）的有标签训练数据量缺乏时，如何利用已有的大量其他域的有标签医疗影像的数据来提升模型在目标域测试数据上的泛化能力呢？这就引出了机器学习领域的一个重要的研究方向——域适应。域适应旨在研究如何提高机器学习模型在未经训练的目标域上的泛化能力[2]。在深度学习领域，针对域适应的研究有很多，在参考文献[3-4]中，研究人员通过不断拉近源域和目标域数据在特征空间上的分布来研究域适应学习问题。不同于数据整合（将多个域的数据处理成一个源域的数据，并把这些数据随机划分成训练集和测试集），域适应研究的是如何使用大量的其他域的训练数据和少量目标域的训练数据训练出一个对目标域测试数据泛化能力良好的模型。生成对抗网络的优点是它能够很好地学习数据的分布，从而很好地提取未经训练的数据的特征。……