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

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. 8ème Conférence Nationale en Intelligence Artificielle / Plate-Forme Intelligence Artificielle, Jul 2024, La Rochelle (France), France. ⟨hal-04628579⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More