StrDiSeg:用于自动化缺血性中风损伤细分的适配器增强的DINOv3
Qiong Chen1, Donghao Zhang2, Yimin Chen2
1Ultrasound Diagnosis Department, Wuhan No. 1 Hospital, Wuhan 430000, China.
Bioengineering (Basel, Switzerland)
|February 27, 2026
概括
本研究介绍了StrDiSeg,这是一种使用深度视觉模型进行医疗图像细分的高效方法. 它可以有效地适应大型预训练模型,如DINOv3,用于诸如缺血性中风病变细分等任务.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 深度视觉基础模型 (例如,DINOv3) 具有强大的视觉表示能力.
- 医学图像细分中的直接应用受到有限的注释数据和完整微调的高计算成本的阻碍.
研究的目的:
- 提出StrDiSeg,一个适应框架,用于医疗图像细分中的深度视觉模型的高效微调.
- 为了实现特定任务的学习,同时保持从DINOv3.3等模型中预先训练的知识.
主要方法:
- 在DINOv3.3的变压器层中集成轻量级瓶适配器.
- 使用一个注意力增强的U-Net解码器与多尺度的功能融合.
- 在缺血性中风病变细分数据集 (AISD和ISLES22) 上进行的实验.
主要成果:
- 在StrDiSeg中,在AISD (非对比CT) 上获得了0.516分,在ISLES22 (DWI) 上获得了0.824分.
- 该方法在细分缺血性中风病变方面表现优于基线模型.
- 在不同临床成像模式中表现出强度.
结论:
- 基于适配器的微调为医疗图像细分提供了一种实用且计算效率高的策略.
- 利用大型预训练的视觉模型在临床应用中是可行的,使用StrDiSeg.Seg等方法.
- 该框架显示了在具有挑战性的医学成像任务中提高细分精度的前景.
