LKCell : Segmentation efficace des instances de noyaux cellulaires avec des noyaux de convolution de grande taille

LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

July 25, 2024

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

cs.AI

Résumé

La segmentation des noyaux cellulaires dans les images de tissus colorées avec les teintures hématoxyline et éosine (H&E) est essentielle pour diverses applications cliniques et analyses. En raison des caractéristiques complexes de la morphologie cellulaire, un champ réceptif étendu est considéré comme crucial pour générer une segmentation de haute qualité. Cependant, les méthodes précédentes rencontrent des difficultés à atteindre un équilibre entre le champ réceptif et la charge de calcul. Pour résoudre ce problème, nous proposons LKCell, une méthode de segmentation cellulaire à la fois précise et efficace. Son idée centrale consiste à exploiter le potentiel des grands noyaux de convolution pour obtenir des champs réceptifs étendus tout en restant économes en calcul. Plus précisément, (1) nous transférons pour la première fois des modèles pré-entraînés utilisant de grands noyaux de convolution au domaine médical, démontrant leur efficacité dans la segmentation cellulaire. (2) Nous analysons la redondance des méthodes précédentes et concevons un nouveau décodeur de segmentation basé sur de grands noyaux de convolution. Celui-ci atteint des performances supérieures tout en réduisant significativement le nombre de paramètres. Nous évaluons notre méthode sur le benchmark le plus exigeant et obtenons des résultats de pointe (0,5080 mPQ) dans la segmentation d'instances de noyaux cellulaires, avec seulement 21,6 % des opérations flottantes (FLOPs) par rapport à la méthode leader précédente. Notre code source et nos modèles sont disponibles à l'adresse 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.