ترجمه فارسی مقاله یادگیری بازنمایی نامتغییر دامنه از طریق مدل Segment Anything برای طبقه بندی سلول های خونی

چکیده

Accurate classification of blood cells is of vital significance in the diagnosis of hematological disorders. However, in real-world scenarios, domain shifts caused by the variability in laboratory procedures and settings, result in a rapid deterioration of the model’s generalization performance. To address this issue, we propose a novel framework of domain-invariant representation learning (DoRL) via segment anything model (SAM) for blood cell classification. The DoRL comprises two main components: a LoRA-based SAM (LoRA-SAM) and a cross-domain autoencoder (CAE). The advantage of DoRL is that it can extract domain-invariant representations from various blood cell datasets in an unsupervised manner. Specifically, we first leverage the large-scale foundation model of SAM, fine-tuned with LoRA, to learn general image embeddings and segment blood cells. Additionally, we introduce CAE to learn domain-invariant representations across different-domain datasets while mitigating images’ artifacts. To validate the effectiveness of domain-invariant representations, we employ five widely used machine learning classifiers to construct blood cell classification models. Experimental results on two public blood cell datasets and a private real dataset demonstrate that our proposed DoRL achieves a new state-of-the-art cross-domain performance, surpassing existing methods by a significant margin. The source code can be available at the URL (https://github.com/AnoK3111/DoRL).

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی دقیق سلولهای خونی از اهمیت حیاتی در تشخیص اختلالات خون شناسی برخوردار است.با این حال ، در سناریوهای دنیای واقعی ، تغییرات دامنه ناشی از تغییرپذیری در روشهای آزمایشگاهی و تنظیمات ، منجر به وخامت سریع عملکرد عمومی سازی مدل می شود.برای پرداختن به این موضوع ، ما یک چارچوب جدید از یادگیری بازنمایی دامنه-متغیر (DORL) از طریق مدل هر مدل (SAM) برای طبقه بندی سلول های خونی پیشنهاد می کنیم.DORL شامل دو مؤلفه اصلی است: یک SAM مبتنی بر LORA (LORA-SAM) و یک Autoencoder متقابل دامنه (CAE).مزیت DORL این است که می تواند بازنمودهای متغیر دامنه را از مجموعه داده های مختلف گلبولهای خونی به روشی بدون نظارت استخراج کند.به طور خاص ، ما ابتدا برای یادگیری تعبیه های تصویر کلی و سلولهای خونی بخش ، از مدل پایه وسیعی از SAM ، تنظیم شده با لورا استفاده می کنیم.علاوه بر این ، ما CAE را برای یادگیری بازنمایی های متغیر دامنه در مجموعه داده های دامنه های مختلف در حالی که مصنوعات تصاویر را کاهش می دهد ، معرفی می کنیم.برای اعتبارسنجی اثربخشی بازنمایی های متغیر دامنه ، ما از پنج طبقه بندی کننده یادگیری ماشین به طور گسترده استفاده می کنیم تا مدلهای طبقه بندی سلول های خونی را بسازیم.نتایج تجربی در دو مجموعه داده سلول خونی عمومی و یک مجموعه داده واقعی خصوصی نشان می دهد که DORL پیشنهادی ما به یک عملکرد جدید و پیشرفته دامنه متقاطع دست پیدا می کند و از روشهای موجود با حاشیه قابل توجهی پیشی می گیرد.کد منبع می تواند در URL (https://github.com/anok3111/dorl) در دسترس باشد.