RedDino: Ein Basismodell für die Analyse roter Blutkörperchen

papers.abstract

Rote Blutkörperchen (Erythrozyten) sind für die menschliche Gesundheit von entscheidender Bedeutung, und ihre präzise morphologische Analyse ist wichtig für die Diagnose hämatologischer Erkrankungen. Trotz des Potenzials von Foundation-Modellen in der medizinischen Diagnostik gibt es bisher nur wenige umfassende KI-Lösungen für die Analyse von Erythrozyten. Wir stellen RedDino vor, ein selbstüberwachtes Foundation-Modell, das speziell für die Bildanalyse von Erythrozyten entwickelt wurde. RedDino nutzt eine an Erythrozyten angepasste Version des DINOv2-Frameworks für selbstüberwachtes Lernen und wurde auf einem kuratierten Datensatz von 1,25 Millionen Erythrozytenbildern aus verschiedenen Aufnahmemodalitäten und Quellen trainiert. Umfangreiche Auswertungen zeigen, dass RedDino bestehende State-of-the-Art-Modelle bei der Klassifizierung von Erythrozytenformen übertrifft. Durch Bewertungen wie lineares Probing und Nearest-Neighbor-Klassifizierung bestätigen wir seine starken Merkmalsrepräsentationen und seine Generalisierungsfähigkeit. Unsere Hauptbeiträge sind: (1) ein Foundation-Modell, das speziell für die Erythrozytenanalyse entwickelt wurde, (2) Ablationsstudien zur Untersuchung von DINOv2-Konfigurationen für die Modellierung von Erythrozyten und (3) eine detaillierte Bewertung der Generalisierungsleistung. RedDino adressiert zentrale Herausforderungen in der computergestützten Hämatologie, indem es subtile morphologische Merkmale erfasst und die Entwicklung zuverlässiger Diagnosewerkzeuge vorantreibt. Der Quellcode und die vortrainierten Modelle für RedDino sind unter https://github.com/Snarci/RedDino verfügbar, und die vortrainierten Modelle können aus unserer Hugging-Face-Sammlung unter https://huggingface.co/collections/Snarcy/reddino-689a13e29241d2e5690202fc heruntergeladen werden.

English

Red blood cells (RBCs) are essential to human health, and their precise morphological analysis is important for diagnosing hematological disorders. Despite the promise of foundation models in medical diagnostics, comprehensive AI solutions for RBC analysis remain scarce. We present RedDino, a self-supervised foundation model designed for RBC image analysis. RedDino uses an RBC-specific adaptation of the DINOv2 self-supervised learning framework and is trained on a curated dataset of 1.25 million RBC images from diverse acquisition modalities and sources. Extensive evaluations show that RedDino outperforms existing state-of-the-art models on RBC shape classification. Through assessments including linear probing and nearest neighbor classification, we confirm its strong feature representations and generalization ability. Our main contributions are: (1) a foundation model tailored for RBC analysis, (2) ablation studies exploring DINOv2 configurations for RBC modeling, and (3) a detailed evaluation of generalization performance. RedDino addresses key challenges in computational hematology by capturing nuanced morphological features, advancing the development of reliable diagnostic tools. The source code and pretrained models for RedDino are available at https://github.com/Snarci/RedDino, and the pretrained models can be downloaded from our Hugging Face collection at https://huggingface.co/collections/Snarcy/reddino-689a13e29241d2e5690202fc

RedDino: Ein Basismodell für die Analyse roter Blutkörperchen

RedDino: A foundation model for red blood cell analysis

papers.abstract

Support