LKCell: Efficiënte instantiesegmentatie van celkernen met grote convolutiekernen

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

Samenvatting

De segmentatie van celkernen in weefselafbeeldingen die zijn gekleurd met de bloedkleurstof hematoxyline en eosine (H&E) is essentieel voor diverse klinische toepassingen en analyses. Vanwege de complexe kenmerken van cellulaire morfologie wordt een groot receptief veld als cruciaal beschouwd voor het genereren van hoogwaardige segmentatie. Eerdere methoden hebben echter moeite om een balans te vinden tussen het receptieve veld en de rekenkundige belasting. Om dit probleem aan te pakken, stellen we LKCell voor, een nauwkeurige en efficiënte methode voor celsegmentatie. De kern van deze methode ligt in het benutten van het potentieel van grote convolutiekernels om rekenkundig efficiënte grote receptieve velden te bereiken. Specifiek: (1) We passen voor het eerst vooraf getrainde modellen met grote convolutiekernels toe in de medische sector, wat hun effectiviteit bij celsegmentatie aantoont. (2) We analyseren de redundantie van eerdere methoden en ontwerpen een nieuw segmentatiedecoder op basis van grote convolutiekernels. Dit bereikt een hogere prestaties terwijl het aantal parameters aanzienlijk wordt verminderd. We evalueren onze methode op de meest uitdagende benchmark en behalen state-of-the-art resultaten (0,5080 mPQ) in de segmentatie van celkerninstanties met slechts 21,6% van de FLOPs vergeleken met de vorige toonaangevende methode. Onze broncode en modellen zijn beschikbaar op 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.