A Lightweight and Extensible Cell Segmentation and Classification Model for Whole Slide Images

要約

デジタル病理学における臨床的に有用な細胞レベル分析ツールの開発ツールの開発は、データセットの粒度の制限、一貫性のない注釈、高い計算需要、および新しい技術をワークフローに統合する困難により、依然として困難です。
これらの問題に対処するために、軽量で拡張可能な細胞セグメンテーションと分類モデルを作成することにより、データの品質、モデルのパフォーマンス、使いやすさを向上させるソリューションを提案します。
まず、クロスリラベルを介してデータラベルを更新して、PannukeとMonusacの注釈を改良し、7つの異なるセルタイプを持つ統一されたデータセットを作成します。
次に、H-Optimus Foundationモデルを固定エンコーダーとして活用して、同時セグメンテーションと分類タスクの機能表現を改善します。
第三に、基礎モデルの計算需要に対処するために、知識を蒸留して、モデルのサイズと複雑さを減らしながら、同等のパフォーマンスを維持します。
最後に、蒸留モデルを広く使用されているオープンソースのデジタル病理プラットフォームであるQupathに統合します。
結果は、CNNベースのモデルと比較して、H-Optimusベースのモデルを使用して、セグメンテーションと分類パフォーマンスの改善を示しています。
具体的には、平均$ r^2 $は0.575から0.871に改善され、平均$ PQ $スコアは0.450から0.492に改善され、実際のセルカウントとセグメンテーションの品質が向上したことを示しています。
蒸留モデルは同等のパフォーマンスを維持しながらパラメーターカウントを48倍削減します。計算の複雑さを減らし、ワークフローに統合することにより、このアプローチは診断に大きな影響を与え、病理学者のワークロードを減らし、転帰を改善する可能性があります。
この方法は可能性を示していますが、臨床展開の前に広範な検証が必要です。

要約(オリジナル)

Developing clinically useful cell-level analysis tools in digital pathology remains challenging due to limitations in dataset granularity, inconsistent annotations, high computational demands, and difficulties integrating new technologies into workflows. To address these issues, we propose a solution that enhances data quality, model performance, and usability by creating a lightweight, extensible cell segmentation and classification model. First, we update data labels through cross-relabeling to refine annotations of PanNuke and MoNuSAC, producing a unified dataset with seven distinct cell types. Second, we leverage the H-Optimus foundation model as a fixed encoder to improve feature representation for simultaneous segmentation and classification tasks. Third, to address foundation models’ computational demands, we distill knowledge to reduce model size and complexity while maintaining comparable performance. Finally, we integrate the distilled model into QuPath, a widely used open-source digital pathology platform. Results demonstrate improved segmentation and classification performance using the H-Optimus-based model compared to a CNN-based model. Specifically, average $R^2$ improved from 0.575 to 0.871, and average $PQ$ score improved from 0.450 to 0.492, indicating better alignment with actual cell counts and enhanced segmentation quality. The distilled model maintains comparable performance while reducing parameter count by a factor of 48. By reducing computational complexity and integrating into workflows, this approach may significantly impact diagnostics, reduce pathologist workload, and improve outcomes. Although the method shows promise, extensive validation is necessary prior to clinical deployment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google