LKCell: Segmentazione Efficiente delle Istanze dei Nuclei Cellulari con Grandi Kernel di Convoluzione

LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

July 25, 2024

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

cs.AI

Abstract

La segmentazione dei nuclei cellulari in immagini tissutali colorate con il colorante ematossilina e eosina (H&E) è fondamentale per varie applicazioni e analisi cliniche. A causa delle complesse caratteristiche della morfologia cellulare, un ampio campo recettivo è considerato cruciale per generare segmentazioni di alta qualità. Tuttavia, i metodi precedenti incontrano difficoltà nel bilanciare il campo recettivo e il carico computazionale. Per affrontare questo problema, proponiamo LKCell, un metodo di segmentazione cellulare ad alta precisione ed efficiente. La sua intuizione principale risiede nello sfruttare il potenziale dei grandi kernel di convoluzione per ottenere campi recettivi ampi in modo computazionalmente efficiente. Nello specifico, (1) trasferiamo per la prima volta modelli pre-addestrati con grandi kernel di convoluzione al dominio medico, dimostrandone l'efficacia nella segmentazione cellulare. (2) Analizziamo la ridondanza dei metodi precedenti e progettiamo un nuovo decoder di segmentazione basato su grandi kernel di convoluzione. Questo raggiunge prestazioni superiori riducendo significativamente il numero di parametri. Valutiamo il nostro metodo sul benchmark più impegnativo e otteniamo risultati all'avanguardia (0.5080 mPQ) nella segmentazione istanziale dei nuclei cellulari con solo il 21.6% delle FLOPs rispetto al metodo leader precedente. Il nostro codice sorgente e i modelli sono disponibili su 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.