RedDino: Een foundation model voor de analyse van rode bloedcellen
RedDino: A foundation model for red blood cell analysis
August 11, 2025
Auteurs: Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr
cs.AI
Samenvatting
Rode bloedcellen (RBC's) zijn essentieel voor de menselijke gezondheid, en hun precieze morfologische analyse is belangrijk voor het diagnosticeren van hematologische aandoeningen. Ondanks de belofte van foundation-modellen in medische diagnostiek, zijn uitgebreide AI-oplossingen voor RBC-analyse nog steeds schaars. Wij presenteren RedDino, een zelfgesuperviseerd foundation-model ontworpen voor RBC-beeldanalyse. RedDino maakt gebruik van een RBC-specifieke aanpassing van het DINOv2 zelfgesuperviseerde leerframework en is getraind op een gecureerde dataset van 1,25 miljoen RBC-beelden uit diverse acquisitiemodaliteiten en bronnen. Uitgebreide evaluaties tonen aan dat RedDino de bestaande state-of-the-art modellen overtreft op het gebied van RBC-vormclassificatie. Door beoordelingen, waaronder lineair sonderen en nearest neighbor-classificatie, bevestigen we de sterke kenmerkrepresentaties en generalisatiecapaciteit ervan. Onze belangrijkste bijdragen zijn: (1) een foundation-model op maat voor RBC-analyse, (2) ablatiestudies die DINOv2-configuraties voor RBC-modellering onderzoeken, en (3) een gedetailleerde evaluatie van de generalisatieprestaties. RedDino adresseert belangrijke uitdagingen in computationele hematologie door genuanceerde morfologische kenmerken vast te leggen, waardoor de ontwikkeling van betrouwbare diagnostische hulpmiddelen wordt bevorderd. De broncode en voorgetrainde modellen voor RedDino zijn beschikbaar op https://github.com/Snarci/RedDino, en de voorgetrainde modellen kunnen worden gedownload van onze Hugging Face-collectie op 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