基于大规模LoRA驱动的Segment Anything模型的跨域单血细胞图像分类
计算机视觉与模式识别
2024-08-14 v1
摘要
准确的血细胞分类在血液学分析中起着至关重要的作用，有助于医生诊断各种疾病。本研究中，我们提出了一种名为 BC-SAM 的血细胞图像分类新方法。BC-SAM 利用大规模 Segment Anything Model（SAM）基础模型，并结合 LoRA 微调技术，使其能够从血细胞图像中提取通用图像嵌入。为增强 BC-SAM 在不同血细胞图像数据集上的适用性，我们引入了一个无监督跨域自编码器，专注于学习内在特征同时抑制图像中的伪影。为评估 BC-SAM 的性能，我们采用了四种广泛使用的机器学习分类器（随机森林、支持向量机、人工神经网络和 XGBoost）来构建血细胞分类模型，并与现有最先进方法进行了比较。在两个公开可用的血细胞数据集（Matek-19 和 Acevedo-20）上进行的实验结果表明，所提出的 BC-SAM 取得了新的最先进结果，显著超越了基线方法。本文的源代码可在 https://github.com/AnoK3111/BC-SAM 获取。
引用
@article{arxiv.2408.06716,
title = {Towards Cross-Domain Single Blood Cell Image Classification via Large-Scale LoRA-based Segment Anything Model},
author = {Yongcheng Li and Lingcong Cai and Ying Lu 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:2408.06716},
year = {2024}
}