RedDino: Un modelo base para el análisis de glóbulos rojos

Resumen

Los glóbulos rojos (GR) son esenciales para la salud humana, y su análisis morfológico preciso es importante para diagnosticar trastornos hematológicos. A pesar del potencial de los modelos fundacionales en el diagnóstico médico, las soluciones integrales de IA para el análisis de GR siguen siendo escasas. Presentamos RedDino, un modelo fundacional de autoaprendizaje diseñado para el análisis de imágenes de GR. RedDino utiliza una adaptación específica para GR del marco de autoaprendizaje DINOv2 y se entrena con un conjunto de datos curado de 1,25 millones de imágenes de GR provenientes de diversas modalidades y fuentes de adquisición. Evaluaciones exhaustivas muestran que RedDino supera a los modelos más avanzados existentes en la clasificación de formas de GR. A través de evaluaciones que incluyen pruebas lineales y clasificación por vecinos más cercanos, confirmamos sus sólidas representaciones de características y capacidad de generalización. Nuestras principales contribuciones son: (1) un modelo fundacional adaptado para el análisis de GR, (2) estudios de ablación que exploran configuraciones de DINOv2 para el modelado de GR, y (3) una evaluación detallada del rendimiento de generalización. RedDino aborda desafíos clave en la hematología computacional al capturar características morfológicas sutiles, avanzando en el desarrollo de herramientas de diagnóstico confiables. El código fuente y los modelos preentrenados de RedDino están disponibles en https://github.com/Snarci/RedDino, y los modelos preentrenados pueden descargarse de nuestra colección en Hugging Face en https://huggingface.co/collections/Snarcy/reddino-689a13e29241d2e5690202fc.

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: Un modelo base para el análisis de glóbulos rojos

RedDino: A foundation model for red blood cell analysis

Resumen

Support