Notre papier, «Transplant U-Net: le rôle de la pré-formation pour la fusion de modèles dans la segmentation médicale 3D», » a été accepté pour la présentation à Miccai 2025!

J’ai co-dirigé ce travail avec Giacomo Capitani (nous sommes co-première auteurs), et ce fut une grande collaboration avec Elisa Ficarra, Costantino Grana, Simone Calderara, Angelo Porrello et Federico Bolelli.

Tl; dr:

Nous explorons Comment la pré-formation affecte la fusion du modèle dans le contexte de Segmentation de l’image médicale 3Dun domaine qui n’a pas attiré autant d’attention dans cet espace que la plupart des travaux de fusion se sont concentrés sur les LLM ou la classification 2D.

Pourquoi cela compte:

La fusion de modèles offre une alternative légère au recyclage à partir de zéro, particulièrement utile en imagerie médicale, où:

• Les données sont sensibles et difficiles à partager
• Les annotations sont rares
• Les exigences cliniques se déplacent rapidement

Contributions clés:

• 🧠 Minima pré-formation plus large = meilleure fusiong (ils donnent des vecteurs de tâche qui se mélangent plus facilement)
• 🧪 Évalué sur les ensembles de données du monde réel: Tootage2 et BTCV ABDOMEn
• 🧱 construit sur un U-NE résiduel 3D standardT, donc les résultats sont largement transférables

Vérifiez-le:

• 📄 Papier: https://iris.unimore.it/bitsstream/11380/1380716/1/2025miccai_u_net_transplant_the_role_of_pre_training_for_model_merging_in_3d_medical_segmentation.pdf
• 💻 Code et poids: https://github.com/luculumetti/unettransplant (Les étoiles et les commentaires ont toujours apprécié!)

De plus, si vous êtes à Miccai 2025 Daejeon, Corée du SudJe vais co-organiser:

• Le Atelier d’Odin → https://odin-workshops.org/2025/
• Le Challe dentaire3 → https://toothfairy3.grand-challenge.org/

Faites-moi savoir si vous assistez, nous serions ravis de nous connecter!