⏶2
RedDino：用于红细胞分析的基础模型
发表
由 
Luca Zedda 提交
Luca Zedda 提交作者: Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr
Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr摘要
红细胞（RBCs）对人体健康至关重要，其精确的形态分析对于诊断血液学疾病非常重要。尽管基础模型在医学诊断中前景广阔，但用于红细胞分析的综合人工智能解决方案仍然稀缺。我们推出了 RedDino，一个专为红细胞图像分析设计的自监督基础模型。RedDino 采用了 DINOv2 自监督学习框架的红细胞特定改编版，并在包含来自不同采集模式和来源的 125 万张红细胞图像的精选数据集上进行训练。广泛的评估表明，RedDino 在红细胞形状分类方面优于现有的最先进模型。通过线性探测和最近邻分类等评估，我们证实了其强大的特征表示和泛化能力。我们的主要贡献是：(1) 一个专为红细胞分析量身定制的基础模型，(2) 探索 DINOv2 配置用于红细胞建模的消融研究，以及 (3) 对泛化性能的详细评估。RedDino 通过捕捉细微的形态特征，解决了计算血液学中的关键挑战，推动了可靠诊断工具的开发。RedDino 的源代码和预训练模型可在 https://github.com/Snarci/RedDino 获得，预训练模型可从我们的 Hugging Face 合集 https://huggingface.co/collections/Snarcy/reddino-689a13e29241d2e5690202fc 下载。
我们推出了 RedDino，这是我们专门为红细胞（RBC）分析设计的自监督基础模型。RedDino 基于定制的 DINOv2 骨干网络，在迄今为止最大的 RBC 数据集上进行了训练——超过 125 万张 RBC 图像和来自 18 个数据集的 300 多万个分割细胞，涵盖多种成像模式和染色方案。
在多个数据集（Elsafty、Chula、DSE）上，RedDino 在加权 F1、平衡准确率和准确率方面均优于 ResNet50、DinoBloom 和普通 DINOv2 2-3%，同时对分布外数据表现出强大的泛化能力。
通过 RedDino，我们为自动化 RBC 形态分析设定了新的基准，并为未来的血液学 AI 应用提供了强大、可泛化的骨干网络。