RedDino: Un modello di base per l'analisi dei globuli rossi
RedDino: A foundation model for red blood cell analysis
August 11, 2025
Autori: Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr
cs.AI
Abstract
I globuli rossi (RBC) sono essenziali per la salute umana, e la loro precisa analisi morfologica è importante per diagnosticare disturbi ematologici. Nonostante il potenziale dei modelli di base nella diagnostica medica, soluzioni AI complete per l'analisi dei globuli rossi rimangono scarse. Presentiamo RedDino, un modello di base auto-supervisionato progettato per l'analisi delle immagini di globuli rossi. RedDino utilizza un adattamento specifico per i globuli rossi del framework di apprendimento auto-supervisionato DINOv2 ed è addestrato su un dataset curato di 1,25 milioni di immagini di globuli rossi provenienti da diverse modalità e fonti di acquisizione. Valutazioni estensive dimostrano che RedDino supera i modelli all'avanguardia esistenti nella classificazione della forma dei globuli rossi. Attraverso valutazioni che includono il linear probing e la classificazione del vicino più prossimo, confermiamo le sue robuste rappresentazioni di caratteristiche e la capacità di generalizzazione. I nostri principali contributi sono: (1) un modello di base specifico per l'analisi dei globuli rossi, (2) studi di ablazione che esplorano le configurazioni di DINOv2 per la modellazione dei globuli rossi, e (3) una valutazione dettagliata delle prestazioni di generalizzazione. RedDino affronta le principali sfide dell'ematologia computazionale catturando caratteristiche morfologiche sfumate, avanzando lo sviluppo di strumenti diagnostici affidabili. Il codice sorgente e i modelli pre-addestrati per RedDino sono disponibili su https://github.com/Snarci/RedDino, e i modelli pre-addestrati possono essere scaricati dalla nostra collezione Hugging Face su 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