Analyse de l'encodeur pour la segmentation d'une base de données hétérogène de photographies de plaies chroniques avec peu d'annotations - Université de Nîmes Accéder directement au contenu
Communication Dans Un Congrès Année : 2024

Analyse de l'encodeur pour la segmentation d'une base de données hétérogène de photographies de plaies chroniques avec peu d'annotations

Guillaume Picaud
  • Fonction : Auteur
  • PersonId : 1299824
Marc Chaumont
Gérard Subsol
Luc Teot
  • Fonction : Auteur
  • PersonId : 1299826

Résumé

Segmentation task is crucial in medical imaging, but obtaining a sufficient quantity of annotated data is challenging, limiting the development of high-performing deep learning models. Self-supervised learning (SSL) strategies offer a promising solution to address this lack of annotation. One such strategy, Dinov2 for Distillation with NO labels, enabled the creation of the vast LVD-142M database and als the training of encoders, whose weights are now freely accessible. However, clinical images may not be well represented in LVD-142M. In this article, we evaluate the benefits of different encoder initialization methods for segmentation in a context of scarce annotated clinical data.
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
Vignette du fichier
CNIA-PFIA-2024-PICAUD-CHAUMONT-SUBSOL-TEOT-SegmentationPlaiesPeuAnnotations.pdf (1.28 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04628579 , version 1 (28-06-2024)

Identifiants

  • HAL Id : hal-04628579 , version 1

Citer

Guillaume Picaud, Marc Chaumont, Gérard Subsol, Luc Teot. Analyse de l'encodeur pour la segmentation d'une base de données hétérogène de photographies de plaies chroniques avec peu d'annotations. CNIA 2024 - 8e Conférence Nationale en Intelligence Artificielle, PFIA, Jul 2024, La Rochelle, France. ⟨hal-04628579⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More