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

作者: Nikita Shvetsov, Thomas K. Kilvaer, Masoud Tafavvoghi, Anders Sildnes, Kajsa Møllersen, Lill-Tove Rasmussen Busund, Lars Ailo Bongo

发布时间: 2025-02-27

来源: arxiv

研究方向: 数字病理学与计算病理学

主要内容

本文提出了一种轻量级且可扩展的细胞分割和分类模型，用于全切片图像的分析。该模型旨在解决数字病理学中数据质量、模型性能和可用性方面的挑战。

1. 通过交叉重标记更新数据标签，提高了数据集的质量。

2. 利用H-Optimus基础模型作为固定编码器，提高了特征表示，并实现了分割和分类任务的同时进行。

3. 通过知识蒸馏技术减少模型大小和复杂性，同时保持可比的性能。

4. 将蒸馏后的模型集成到QuPath平台，提高了模型的可用性。

5. 通过交叉重标记方法提高了细胞分类模型的准确性。

6. 使用基础模型作为特征提取器，在细胞分割和分类任务中取得了更好的性能。

7. 通过知识蒸馏技术，实现了与基础模型相当的性能，同时减少了参数数量。

8. 将模型集成到QuPath平台，提高了临床适应性和易用性。

1. 交叉重标记

2. 基础模型

3. 知识蒸馏

4. 模型集成

5. 深度学习

6. 细胞分割

7. 细胞分类

8. 性能评估

实验结果表明，与基于CNN的模型相比，基于H-Optimus的模型在分割和分类性能上有所提高。具体来说，平均R²从0.575提高到0.871，平均PQ分数从0.450提高到0.492，表明与实际细胞计数更一致，分割质量更高。蒸馏模型在减少参数数量的同时保持了可比的性能，参数数量减少了48倍。

未来的工作将集中在以下几个方面：增强细胞重标记过程，以更好地代表罕见细胞类型；整合多模态成像或补充染色方法；探索其他基础模型或引入其他模态；实现更复杂的知识蒸馏技术；与QuPath或其他数字病理学软件更深入地集成；以及对病理学家进行广泛的验证和基准测试。