Chinese contentDINOv2 适配 vs 专用训练:医学影像分割跨机构泛化对比研究
做医学影像的人该看看这篇:他们拿 DINOv2 和 U-Net 在三种影像上正面对比,还测了跨医院的外部数据,结论很实在——院内任务用老方法就行,要跨机构部署再上基础模型。顺手还揪出一个测试集数据重复的问题。
做医学影像的人该看看这篇:他们拿 DINOv2 和 U-Net 在三种影像上正面对比,还测了跨医院的外部数据,结论很实在——院内任务用老方法就行,要跨机构部署再上基础模型。顺手还揪出一个测试集数据重复的问题。
MIT 把 CT 数据加生成模型变成 X 光标注机,训练出能分全身 60 个结构的模型,还开源了本地工具,搞医学影像的可以自己跑跑看。
Berkley Lab用Meta的SAM 3和DINOv3组合,把3D图像标注从一个月缩短到15分钟,效率提升近3000倍,搞科研的小伙伴可以关注。
做多模态模型训练的团队终于有了一个能同时提升理解和生成的后训练方法——SGT用分割任务对齐表征空间,比解耦训练更高效,做视觉AI的开发者可以直接参考代码实现。