通过Segment Anything模型实现的领域不变表示学习用于血细胞分类
内容提要
本文介绍了一种深度卷积神经网络，旨在解决细胞分类中的数据分布不平衡和噪声问题。研究聚焦于白细胞分类，提出了基于DINOv2的DinoBloom模型，利用超过38万个白细胞图像，展示了在细胞类型分类和急性髓系白血病亚型分类中的优越性能。此外，提出的BC-SAM方法结合无监督学习，显著提高了血细胞图像的分类准确性。
延伸解读
DinoBloom：血液学首个单细胞基础模型
DinoBloom基于DINOv2流程，在13个公开数据集、超过38万白细胞图像上训练，是血液学领域首个单细胞基础模型。其small、base、large和giant系列可适应不同下游任务，在细胞类型分类和急性髓系白血病亚型分类中优于现有医学与非医学视觉模型，为分类问题提供了强基线，并有助于评估新数据集中的大数据批次效应。
BC-SAM：结合SAM与LoRA的跨域特征提取
BC-SAM方法将Segment Anything Model与LoRA微调技术结合，提取血细胞图像的通用特征，并引入无监督跨域自编码器学习内在特征、抑制图像伪影。在两个公开数据集上，BC-SAM超越了现有最先进技术，展示了在血细胞分类准确性上的显著改善潜力，为跨域分类提供了新思路。
可解释性探索：神经元细胞自动机的优势
基于神经元细胞自动机（NCA）的白细胞分类方法在三个数据集上测试，性能与常规方法竞争，且架构天然可解释，能提供每个分类决策的洞见，帮助专家理解和验证模型预测。这表明NCA不仅能用于图像分类，还能解决常规方法的关键挑战，在临床实践中具有高应用潜力。
Q&A
DinoBloom模型的主要应用是什么？
DinoBloom模型主要用于白细胞分类和急性髓系白血病亚型分类。
BC-SAM方法如何提高血细胞图像的分类准确性？
BC-SAM方法结合了无监督学习和跨域自编码器，有效抑制图像中的伪影，从而提高分类准确性。
DinoBloom模型的训练数据集有多大？
DinoBloom模型利用了超过38万个白细胞图像进行训练。
新提出的白细胞分类方法有什么创新之处？
新方法基于神经元细胞自动机，具有良好的竞争性能和可解释性。
DinoBloom系列模型有哪些不同的版本？
DinoBloom系列模型包括small、base、large和giant等多个版本。
该研究如何解决细胞分类中的数据分布不平衡问题？
研究通过深度卷积神经网络来应对数据分布不平衡和噪声问题。
