論文の概要: RedDino: A foundation model for red blood cell analysis

• arxiv url: http://arxiv.org/abs/2508.08180v1
• Date: Mon, 11 Aug 2025 16:59:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:29.222898
• Title: RedDino: A foundation model for red blood cell analysis
• Title（参考訳）: RedDino:赤血球分析の基礎モデル
• Authors: Luca Zedda, Andrea Loddo, Cecilia Di Ruberto, Carsten Marr,
• Abstract要約: 赤血球(RBC)はヒトの健康に必須であり、その正確な形態解析は血液疾患の診断に重要である。 RBC画像解析のための自己教師型基礎モデルであるRedDinoを提案する。 RedDinoは、DINOv2自己教師型学習フレームワークのRBC固有の適応を使用し、125万のRBCイメージのキュレートデータセットでトレーニングされている。
• 参考スコア（独自算出の注目度）: 1.3728887198769808
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: 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
• Abstract（参考訳）: 赤血球(RBC)はヒトの健康に必須であり、その正確な形態解析は血液疾患の診断に重要である。 医療診断の基礎モデルが約束されているにもかかわらず、RBC分析のための包括的なAIソリューションは依然として不足している。 RBC画像解析のための自己教師型基礎モデルであるRedDinoを提案する。 RedDinoは、DINOv2の自己教師型学習フレームワークのRBC固有の適応を使用しており、多様な取得モダリティとソースから125万のRBCイメージをキュレートしたデータセットでトレーニングされている。 大規模な評価では、RedDinoはRBC形状分類における既存の最先端モデルよりも優れていた。 線形探索や近接近傍分類などの評価を通じて,その特徴表現と一般化能力を確認した。 本研究の主な貢献は,(1)RBC解析に適した基礎モデル,(2)RBCモデリングのためのDINOv2構成を探索するアブレーション研究,(3)一般化性能の詳細な評価である。 RedDinoは、微妙な形態的特徴を捉え、信頼性の高い診断ツールの開発を進めることで、計算血液学における重要な課題に対処している。 RedDinoのソースコードと事前トレーニングされたモデルはhttps://github.com/Snarci/RedDinoで入手でき、事前トレーニングされたモデルはHugging Faceコレクションからhttps://huggingface.co/collections/Snarcy/reddino-689a13e29241d2e5690202fcでダウンロードできる。

関連論文リスト

• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Evaluating General Purpose Vision Foundation Models for Medical Image Analysis: An Experimental Study of DINOv2 on Radiology Benchmarks [5.8941124219471055]
  DINOv2はオープンソースのファンデーションモデルで、1億4200万のキュレートされた自然画像に対する自己教師付き学習を事前訓練している。 本研究は放射線学におけるDINOv2の性能を総合的に評価する。
  論文  参考訳（メタデータ） (2023-12-04T21:47:10Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Semantic Segmentation of Anaemic RBCs Using Multilevel Deep Convolutional Encoder-Decoder Network [2.5398817423053037]
  赤血球のセグメンテーションのための畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案モデルでは,1つの層から抽出した画素レベルの意味情報を保存し,次の層に渡して関連する特徴を選択する。 この現象は、形態学的解析とともに、健康および貧血-RBC元素のピクセルレベルを正確にカウントするのに役立つ。
  論文  参考訳（メタデータ） (2022-02-09T17:31:50Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。