基于 DINOv2 的自监督学习用于小样本医学图像分割
计算机视觉与模式识别
2024-03-07 v1 机器学习
摘要
深度学习模型已成为医学图像分割的基石，但其有效性取决于大量手动标注数据集的可用性，且其对不可预见类别的适应性仍然是一个挑战。小样本分割 (FSS) 通过赋予模型从有限标注示例中学习新类别的能力，提供了一种有前景的解决方案。FSS 的一种领先方法是 ALPNet，该方法比较查询图像与少量可用的支持分割图像之间的特征。使用 ALPNet 的一个关键问题是如何设计其特征。在这项工作中，我们深入探讨了使用 DINOv2 特征的潜力，DINOv2 是计算机视觉中一种基础性的自监督学习模型。利用 ALPNet 的优势并发挥 DINOv2 的特征提取能力，我们提出了一种新的小样本分割方法，该方法不仅提高了性能，还为更稳健和适应性更强的医学图像分析铺平了道路。
引用
@article{arxiv.2403.03273,
title = {DINOv2 based Self Supervised Learning For Few Shot Medical Image Segmentation},
author = {Lev Ayzenberg and Raja Giryes and Hayit Greenspan},
journal= {arXiv preprint arXiv:2403.03273},
year = {2024}
}