LKCell: Segmentação Eficiente de Instâncias de Núcleos Celulares com Grandes Núcleos de Convolução.

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

Resumo

A segmentação dos núcleos celulares em imagens de tecido coradas com o corante sanguíneo hematoxilina e eosina (H&E) é essencial para várias aplicações clínicas e análises. Devido às características complexas da morfologia celular, um grande campo receptivo é considerado crucial para gerar uma segmentação de alta qualidade. No entanto, métodos anteriores enfrentam desafios para alcançar um equilíbrio entre o campo receptivo e a carga computacional. Para lidar com essa questão, propomos o LKCell, um método de segmentação celular de alta precisão e eficiência. Sua ideia central reside em liberar o potencial de grandes núcleos de convolução para alcançar campos receptivos grandes de forma computacional eficiente. Especificamente, (1) Transferimos modelos pré-treinados de grandes núcleos de convolução para o domínio médico pela primeira vez, demonstrando sua eficácia na segmentação celular. (2) Analisamos a redundância de métodos anteriores e projetamos um novo decodificador de segmentação com base em grandes núcleos de convolução. Ele alcança melhor desempenho enquanto reduz significativamente o número de parâmetros. Avaliamos nosso método no benchmark mais desafiador e alcançamos resultados de ponta (0,5080 mPQ) na segmentação de instâncias de núcleos celulares, com apenas 21,6% de FLOPs em comparação com o método líder anterior. Nosso código-fonte e modelos estão disponíveis em 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.