LKCell: Эффективная сегментация экземпляров ядер клеток с использованием больших сверточных ядер

LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

July 25, 2024

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

cs.AI

Аннотация

Сегментация ядер клеток на изображениях тканей, окрашенных кровяным красителем гематоксилином и эозином (H&E), является важной для различных клинических приложений и анализов. Из-за сложных характеристик клеточной морфологии большое рецептивное поле считается ключевым для создания высококачественной сегментации. Однако ранее разработанные методы сталкиваются с проблемами в достижении баланса между рецептивным полем и вычислительной нагрузкой. Для решения этой проблемы мы предлагаем LKCell, метод сегментации клеток высокой точности и эффективности. Его основная идея заключается в раскрытии потенциала больших ядер свертки для достижения вычислительно эффективных больших рецептивных полей. Конкретно, (1) Мы впервые переносим предварительно обученные модели больших ядер свертки в медицинскую область, демонстрируя их эффективность в сегментации клеток. (2) Мы анализируем избыточность предыдущих методов и разрабатываем новый декодер сегментации на основе больших ядер свертки. Он достигает более высокой производительности, существенно сокращая количество параметров. Мы оцениваем наш метод на самом сложном бенчмарке и достигаем передовых результатов (0.5080 mPQ) в сегментации экземпляров ядер клеток с всего 21.6% FLOPs по сравнению с предыдущим ведущим методом. Наш исходный код и модели доступны по адресу 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.