基于自监督 ImageNet 表征的体内共聚焦显微镜：无需分割图的纤维皮褶度分级
计算机视觉与模式识别
2026-05-18 v2
摘要
角膜神经纤维的纤维皮褶度用于作为不同疾病的指示指标。当前用于分级纤维皮褶度的 state-of-the-art 方法高度依赖这些神经纤维的昂贵分割图。在本文中，我们展示了 ImageNet 的自监督预训练特征可被移植到体内共聚焦显微镜的领域。我们表明，尽管 DINO 已被后续两个版本超越，仍不应忽视其作为医学成像深度学习模型的潜力。经过仔细的微调后，DINO 在准确率（84.25%）和灵敏度（77.97%）方面均优于当前最先进的方法。我们的微调模型在无需分割图的情况下聚焦于分级中的关键形态学元素。
引用
@article{arxiv.2603.15269,
title = {Self-Supervised ImageNet Representations for In Vivo Confocal Microscopy: Tortuosity Grading without Segmentation Maps},
author = {Kim Ouan and Noémie Moreau and Katarzyna Bozek},
journal= {arXiv preprint arXiv:2603.15269},
year = {2026}
}
备注
7 pages, 4 figures, MIDL 2026 - Short Paper Track