LKCell: Effiziente Segmentierung von Zellkernen-Instanzen mit großen Faltungskernen

LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

July 25, 2024

Autoren: Ziwei Cui, Jingfeng Yao, Lunbin Zeng, Juan Yang, Wenyu Liu, Xinggang Wang

cs.AI

Zusammenfassung

Die Segmentierung von Zellkernen in Gewebebildern, die mit dem Blutfarbstoff Hämatoxylin und Eosin (H&E) gefärbt sind, ist für verschiedene klinische Anwendungen und Analysen unerlässlich. Aufgrund der komplexen Merkmale der zellulären Morphologie wird ein großes Rezeptivfeld als entscheidend für die Erzeugung hochwertiger Segmentierungen angesehen. Bisherige Methoden stehen jedoch vor Herausforderungen, einen Ausgleich zwischen dem Rezeptivfeld und dem Rechenaufwand zu erreichen. Um dieses Problem anzugehen, schlagen wir LKCell vor, eine hochpräzise und effiziente Zellsegmentierungsmethode. Der Kerngedanke liegt darin, das Potenzial großer Faltungskerne zu nutzen, um rechentechnisch effiziente große Rezeptivfelder zu erzielen. Konkret: (1) Wir übertragen erstmals vortrainierte große Faltungskernmodelle in den medizinischen Bereich und zeigen deren Wirksamkeit bei der Zellsegmentierung. (2) Wir analysieren die Redundanz früherer Methoden und entwerfen einen neuen Segmentierungsdecoder auf der Basis großer Faltungskerne. Dieser erzielt eine höhere Leistung und reduziert signifikant die Anzahl der Parameter. Wir evaluieren unsere Methode anhand des anspruchsvollsten Benchmarks und erzielen Spitzenresultate (0.5080 mPQ) in der Instanzsegmentierung von Zellkernen mit nur 21,6% FLOPs im Vergleich zur bisher führenden Methode. Unser Quellcode und Modelle sind unter https://github.com/hustvl/LKCell verfügbar.

English

The segmentation of cell nuclei in tissue images stained with the blood dye hematoxylin and eosin (H&E) is essential for various clinical applications and analyses. Due to the complex characteristics of cellular morphology, a large receptive field is considered crucial for generating high-quality segmentation. However, previous methods face challenges in achieving a balance between the receptive field and computational burden. To address this issue, we propose LKCell, a high-accuracy and efficient cell segmentation method. Its core insight lies in unleashing the potential of large convolution kernels to achieve computationally efficient large receptive fields. Specifically, (1) We transfer pre-trained large convolution kernel models to the medical domain for the first time, demonstrating their effectiveness in cell segmentation. (2) We analyze the redundancy of previous methods and design a new segmentation decoder based on large convolution kernels. It achieves higher performance while significantly reducing the number of parameters. We evaluate our method on the most challenging benchmark and achieve state-of-the-art results (0.5080 mPQ) in cell nuclei instance segmentation with only 21.6% FLOPs compared with the previous leading method. Our source code and models are available at https://github.com/hustvl/LKCell.