LKCell: Segmentación eficiente de instancias de núcleos celulares con grandes núcleos de convolución.

LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

July 25, 2024

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

cs.AI

Resumen

La segmentación de núcleos celulares en imágenes de tejidos teñidas con el colorante sanguíneo hematoxilina y eosina (H&E) es esencial para diversas aplicaciones clínicas y análisis. Debido a las complejas características de la morfología celular, se considera crucial un gran campo receptivo para generar una segmentación de alta calidad. Sin embargo, los métodos previos enfrentan desafíos para lograr un equilibrio entre el campo receptivo y la carga computacional. Para abordar este problema, proponemos LKCell, un método de segmentación celular de alta precisión y eficiencia. Su idea central radica en liberar el potencial de grandes núcleos de convolución para lograr campos receptivos grandes computacionalmente eficientes. Específicamente, (1) Transferimos modelos pre-entrenados de grandes núcleos de convolución al dominio médico por primera vez, demostrando su efectividad en la segmentación celular. (2) Analizamos la redundancia de los métodos previos y diseñamos un nuevo decodificador de segmentación basado en grandes núcleos de convolución. Logra un rendimiento superior al tiempo que reduce significativamente el número de parámetros. Evaluamos nuestro método en el benchmark más desafiante y alcanzamos resultados de vanguardia (0.5080 mPQ) en la segmentación de instancias de núcleos celulares con solo el 21.6% de FLOPs en comparación con el método líder anterior. Nuestro código fuente y modelos están disponibles en https://github.com/hustvl/LKCell.

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.