Modèle de segmentation d’instances de noyaux basé sur la régression des limites et la reparamétrisation structurelle RepsNet

Contexte académique

Le diagnostic pathologique est la référence absolue pour le diagnostic des tumeurs, et la segmentation d’instances de noyaux est une étape clé dans l’analyse pathologique numérique et le diagnostic pathologique. Cependant, l’efficacité computationnelle des modèles et la gestion des cibles qui se chevauchent sont les principaux défis dans les recherches actuelles. Pour résoudre ces problèmes, cet article propose un modèle de réseau neuronal RepsNet basé sur la régression des limites des noyaux et la reparamétrisation structurelle, utilisé pour la segmentation et la classification des noyaux dans les images histopathologiques colorées à l’H&E.

Les caractéristiques de distribution et de morphologie des noyaux (telles que la densité, le rapport nucléo-cytoplasmique, la taille moyenne et le polymorphisme) sont non seulement utiles pour évaluer le grade du cancer, mais aussi pour prédire l’efficacité du traitement. Cependant, les images pathologiques sont généralement caractérisées par une adhésion étendue des noyaux, une diversité d’espèces, une variété de formes et un faible contraste entre le fond cytoplasmique et le premier plan des noyaux, ce qui rend la segmentation d’instances de noyaux extrêmement difficile.

Source de l’article

Cet article est co-écrit par Shengchun Xiong, Xiangru Li, Yunpeng Zhong et Wanfen Peng, respectivement de l’École d’informatique de l’Université normale de Chine du Sud et de Signet Therapeutics. L’article a été accepté le 17 décembre 2024 et publié dans la revue International Journal of Computer Vision.

Processus de recherche et résultats

Processus de recherche

1. Estimation des informations de position des limites (BPI) : RepsNet commence par estimer les informations de position des limites (BPI) du noyau parent pour chaque pixel. L’estimation BPI combine les informations locales du pixel et les informations contextuelles du noyau parent.

2. Mécanisme de vote des limites (BVM) : Grâce au mécanisme de vote des limites (BVM) proposé, RepsNet agrège les informations des BPI d’une série de pixels pour estimer les limites du noyau. Le BVM réalise essentiellement une amélioration synergique des croyances entre les BPI provenant de différents pixels.

3. Analyse de connectivité : En utilisant les limites estimées des noyaux, les résultats de segmentation d’instances sont calculés via une procédure d’analyse de connectivité.

4. Reparamétrisation structurelle : RepsNet adopte une structure encodeur-décodeur reparamétrisable. Pendant la phase d’entraînement, le modèle extrait des caractéristiques à partir de champs réceptifs de différentes échelles via plusieurs branches ; pendant la phase d’inférence, les branches multiples sont fusionnées en une seule branche grâce à la technique de reparamétrisation structurelle, réduisant ainsi le nombre de paramètres et la charge de calcul du modèle.

Résultats principaux

Les expériences sur le jeu de données Lizard montrent que RepsNet surpasse plusieurs modèles de référence en termes de précision de segmentation et de vitesse d’inférence. Plus précisément, RepsNet atteint un MPQ (qualité panoptique multiclasse) de 0,5633 sur l’ensemble de test, soit une amélioration de 0,0161 par rapport au modèle CONIC SOTA Stardist. De plus, RepsNet peut traiter 10 images pathologiques de 256×256 pixels par seconde.

Conclusion et signification

Les principales contributions de cet article incluent : - Une nouvelle méthode de segmentation d’instances de noyaux basée sur la régression des limites et l’agrégation d’informations (NBRI). Cette méthode améliore la capacité à distinguer les limites des noyaux adhérents en agrégeant les estimations de position des limites provenant de plusieurs pixels. - Conception d’un réseau encodeur-décodeur entièrement reparamétrisable RepsNet basé sur le schéma NBRI. Ce réseau améliore la capacité d’extraction de caractéristiques multi-échelles grâce à la technique de reparamétrisation structurelle, tout en réduisant le nombre de paramètres et la charge de calcul pendant la phase d’inférence. - Proposition d’une fonction de perte basée sur les iso-hauteurs des limites, qui pénalise de manière adaptative les écarts des estimations de limites, améliorant ainsi l’adaptabilité du modèle aux annotations erronées potentielles dans les données d’entraînement.

Points forts de la recherche

• Innovation : RepsNet améliore significativement la précision de segmentation des noyaux adhérents grâce à la régression des limites et à l’agrégation d’informations.
• Efficacité : Grâce à la technique de reparamétrisation structurelle, RepsNet maintient une haute précision de segmentation tout en réduisant considérablement la charge de calcul.
• Robustesse : Le mécanisme de vote des limites et la fonction de perte des limites proposés renforcent la robustesse du modèle face aux limites floues et aux annotations erronées.

Expériences et évaluation

Jeu de données et configuration expérimentale

Les expériences sont menées sur le jeu de données Lizard, qui contient environ 500 000 noyaux annotés, répartis en six catégories : neutrophiles, cellules épithéliales, lymphocytes, plasmocytes, éosinophiles et cellules du tissu conjonctif. Le jeu de données est divisé aléatoirement en ensembles d’entraînement, de validation et de test dans un rapport de 7:1:2.

Résultats expérimentaux

RepsNet surpasse les modèles de référence sur plusieurs métriques d’évaluation, notamment l’AJI (indice de Jaccard agrégé), le coefficient de Dice, le PQ (qualité panoptique) et le MPQ (qualité panoptique multiclasse). Plus précisément, RepsNet atteint un MPQ de 0,5633 sur l’ensemble de test, soit une amélioration de 1,61 % par rapport à Stardist.

Expériences d’ablation

Des expériences d’ablation ont validé l’efficacité des composants clés de RepsNet, y compris les unités RepVGG, les modules RepUpsample et la fonction de perte des limites. Les expériences montrent que ces composants contribuent de manière significative à l’amélioration des performances du modèle.

Résumé et perspectives

Le modèle RepsNet proposé dans cet article excelle dans la tâche de segmentation d’instances de noyaux, surpassant non seulement les modèles existants en termes de précision de segmentation, mais aussi en améliorant considérablement l’efficacité computationnelle grâce à la technique de reparamétrisation structurelle. Les travaux futurs pourraient optimiser davantage la structure du modèle, explorer davantage de techniques d’augmentation de données et de régularisation pour améliorer encore la capacité de généralisation et la précision de segmentation du modèle.

Grâce à cette recherche, RepsNet démontre un énorme potentiel dans la pathologie numérique, offrant un outil plus efficace et plus précis pour le diagnostic pathologique automatisé.