RedDino: Базисная модель для анализа эритроцитов
RedDino: A foundation model for red blood cell analysis
August 11, 2025
Авторы: Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr
cs.AI
Аннотация
Эритроциты (красные кровяные клетки, RBCs) играют ключевую роль в поддержании здоровья человека, и их точный морфологический анализ важен для диагностики гематологических заболеваний. Несмотря на перспективы базовых моделей в медицинской диагностике, комплексные решения на основе ИИ для анализа RBC остаются редкими. Мы представляем RedDino — самообучаемую базовую модель, разработанную для анализа изображений RBC. RedDino использует адаптированную для RBC версию самообучаемого фреймворка DINOv2 и обучается на тщательно отобранном наборе данных, содержащем 1,25 миллиона изображений RBC, полученных из различных источников и с использованием разных методов съемки. Обширные оценки показывают, что RedDino превосходит существующие передовые модели в классификации форм RBC. Благодаря тестам, включая линейное зондирование и классификацию методом ближайшего соседа, мы подтверждаем её мощные характеристики представления данных и способность к обобщению. Наши основные вклады: (1) базовая модель, адаптированная для анализа RBC, (2) исследования методом исключения, изучающие конфигурации DINOv2 для моделирования RBC, и (3) детальная оценка производительности обобщения. RedDino решает ключевые задачи вычислительной гематологии, захватывая тонкие морфологические особенности, что способствует разработке надежных диагностических инструментов. Исходный код и предобученные модели RedDino доступны по адресу https://github.com/Snarci/RedDino, а предобученные модели можно загрузить из нашей коллекции на Hugging Face по адресу 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