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.