基于 Segment Anything Model 的域不变表示学习用于血细胞分类
计算机视觉与模式识别
2024-08-15 v1
摘要
血细胞的准确分类对于血液疾病的诊断至关重要。然而，在现实场景中，由实验室程序和设置差异引起的域偏移会导致模型的泛化性能迅速恶化。为了解决这一问题，我们提出了一种通过 Segment Anything Model (SAM) 进行域不变表示学习 (DoRL) 的新型框架，用于血细胞分类。DoRL 包含两个主要组件：基于 LoRA 的 SAM (LoRA-SAM) 和跨域自编码器 (CAE)。DoRL 的优势在于它可以以无监督方式从各种血细胞数据集中提取域不变表示。具体而言，我们首先利用 SAM 的大规模基础模型，通过 LoRA 微调来学习通用图像嵌入并分割血细胞。此外，我们引入 CAE 来学习跨不同域数据集的域不变表示，同时减轻图像的伪影。为了验证域不变表示的有效性，我们采用了五种广泛使用的机器学习分类器来构建血细胞分类模型。在两个公开血细胞数据集和一个私有真实数据集上的实验结果表明，所提出的 DoRL 达到了新的最先进跨域性能，显著超越了现有方法。源代码可在 URL (https://github.com/AnoK3111/DoRL) 获取。
引用
@article{arxiv.2408.07467,
title = {Domain-invariant Representation Learning via Segment Anything Model for Blood Cell Classification},
author = {Yongcheng Li and Lingcong Cai and Ying Lu and Cheng Lin and Yupeng Zhang and Jingyan Jiang and Genan Dai and Bowen Zhang and Jingzhou Cao and Xiangzhong Zhang and Xiaomao Fan},
journal= {arXiv preprint arXiv:2408.07467},
year = {2024}
}