ترجمه فارسی مقاله به سمت طبقه‌بندی تصویر سلول‌های خونی تک‌دامنه‌ای از طریق مدل قطعه‌ای هر چیزی مبتنی بر LoRA در مقیاس بزرگ

چکیده

Accurate classification of blood cells plays a vital role in hematological analysis as it aids physicians in diagnosing various medical conditions. In this study, we present a novel approach for classifying blood cell images known as BC-SAM. BC-SAM leverages the large-scale foundation model of Segment Anything Model (SAM) and incorporates a fine-tuning technique using LoRA, allowing it to extract general image embeddings from blood cell images. To enhance the applicability of BC-SAM across different blood cell image datasets, we introduce an unsupervised cross-domain autoencoder that focuses on learning intrinsic features while suppressing artifacts in the images. To assess the performance of BC-SAM, we employ four widely used machine learning classifiers (Random Forest, Support Vector Machine, Artificial Neural Network, and XGBoost) to construct blood cell classification models and compare them against existing state-of-the-art methods. Experimental results conducted on two publicly available blood cell datasets (Matek-19 and Acevedo-20) demonstrate that our proposed BC-SAM achieves a new state-of-the-art result, surpassing the baseline methods with a significant improvement. The source code of this paper is available at https://github.com/AnoK3111/BC-SAM.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی دقیق سلولهای خونی نقش مهمی در تجزیه و تحلیل خون شناسی ایفا می کند زیرا به پزشکان در تشخیص شرایط مختلف پزشکی کمک می کند.در این مطالعه ، ما یک رویکرد جدید برای طبقه بندی تصاویر سلول خونی معروف به BC-SAM ارائه می دهیم.BC-SAM از مدل پایه وسیعی از مدل بخش هر مدل (SAM) استفاده می کند و یک روش تنظیم دقیق را با استفاده از LORA شامل می کند و به آن اجازه می دهد تا جاسازی های کلی تصویر را از تصاویر گلبولهای خونی استخراج کند.برای تقویت کاربرد BC-SAM در مجموعه داده های مختلف تصویر سلول خونی ، ما یک خودروآنندر دامنه ای بدون نظارت را معرفی می کنیم که ضمن سرکوب آثار باستانی در تصاویر ، بر یادگیری ویژگی های ذاتی متمرکز است.برای ارزیابی عملکرد BC-SAM ، ما از چهار طبقه بندی کننده یادگیری ماشین به طور گسترده استفاده می کنیم (جنگل تصادفی ، دستگاه بردار پشتیبانی ، شبکه عصبی مصنوعی و XGBOOST) برای ساخت مدلهای طبقه بندی سلول های خونی و مقایسه آنها در برابر پیشرفته های موجودروشهانتایج تجربی انجام شده بر روی دو مجموعه داده سلولهای خونی در دسترس عمومی (MATEK-19 و ACEVEDO-20) نشان می دهد که BC-SAM پیشنهادی ما به یک نتیجه جدید و پیشرفته دست می یابد و از روشهای پایه با پیشرفت قابل توجهی پیشی می گیرد.کد منبع این مقاله در https://github.com/anok3111/bc-sam در دسترس است.