PulseAugur
中
实时 10:14:45
English(EN) Efficient Fine-Tuning of DINOv3 Pretrained on Natural Images for Atypical Mitotic Figure Classification

DINOv3 微调用于医学图像分类，取得最先进成果

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种高效的微调方法，用于对最初在自然图像上训练的 DINOv3-H+ 视觉 Transformer 进行非典型有丝分裂图像 (AMF) 分类。通过使用低秩适配 (LoRA) 并仅训练 130 万个参数，结合广泛的数据增强和领域加权 Focal Loss，该模型能有效处理领域异质性。该方法在 MIDOG 2025 挑战赛中取得了最先进的成果，展示了从自然图像到组织病理学数据的强大迁移学习能力。 AI

影响 展示了针对专业医学图像分析的高效迁移学习能力，有望提高诊断准确性。

排序理由 学术论文，详细介绍了在特定医学分类任务上对视觉 Transformer 进行微调的新颖方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

DINOv3 微调用于医学图像分类，取得最先进成果

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Guillaume Balezo, Rapha\"el Bourgade, Hana Feki, Lily Monnier, Matthieu Blons, Alice Blondel, Etienne Decenci\`ere, Albert Pla Planas, Thomas Walter ·

    针对非典型有丝分裂图像分类，对在自然图像上预训练的 DINOv3 进行高效微调

    arXiv:2508.21041v4 Announce Type: replace-cross Abstract: Atypical mitotic figures (AMFs) indicate abnormal cell division associated with poor prognosis. Their detection remains difficult due to low prevalence, subtle morphology, and inter-observer variability. The MItosis DOmain…

相关实体

相关话题