Analyse de l'encodeur pour la segmentation d'une base de données hétérogène de photographies de plaies chroniques avec peu d'annotations
Résumé
La segmentation est cruciale en imagerie médicale mais l’obtention de données annotées en quantité suffisante est difficile, limitant le développement de modèles d’apprentissage profond performants. Les stratégies d’apprentissage auto-supervisé (SSL) offrent une solution prometteuse pour pallier ce manque d’annotation. L’une d’entre elles, Dinov2 pour Distillation with NO labels a permis l’élaboration de l’immense base de données LVD-142M ainsi que l’entraînement d’encodeurs, aujourd’hui en accès libre. Cependant, les images cliniques ne sont pas nécessairement bien représentées dans LVD-142M. Dans cet article, nous comparons différentes méthodes d’initialisation d’encodeurs pour la segmentation de photographies cliniques dans un contexte de manque d’annotation.
Fichier principal
CNIA-PFIA-2024-PICAUD-CHAUMONT-SUBSOL-TEOT-SegmentationPlaiesPeuAnnotations.pdf (1.28 Mo)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|