NuLite -- Leichtgewichtig und schnelles Modell für die Segmentierung und Klassifizierung von Zellkernen

Im Bereich der Pathologie ist eine genaue und effiziente Analyse vonHämatoxylin-Eosin (H&E)-Präparaten entscheidend für eine zeitgerechte undwirksame Krebsdiagnose. Obwohl in der Literatur viele Deep-Learning-Lösungenfür die Segmentierung und Klassifizierung von Zellkernen existieren, sind sie oftmit hohen Rechenkosten und Ressourcenanforderungen verbunden, was ihre praktischeAnwendung in medizinischen Bereichen einschränkt. Um dieses Problem zu lösen,stellen wir ein neues konvolutionsbasiertes neuronales Netzwerk vor: NuLite, eineU-Net-ähnliche Architektur, die explizit auf Fast-ViT, einem leistungsstarken undleichtgewichtigen CNN (Convolutional Neural Network), basiert. Wir haben dreiVersionen unseres Modells entwickelt: NuLite-S, NuLite-M und NuLite-H, die auf demPanNuke-Datensatz trainiert wurden. Die experimentellen Ergebnisse zeigen, dassunsere Modelle CellViT (SOTA) in Bezug auf panoptische Qualität und Detektion gleichkommen.Unser leichtestes Modell, NuLite-S, ist jedoch in Bezug auf Parameterzahl etwa 40-mal kleiner und in Bezug auf GFlops etwa 8-mal kleiner als CellViT. Unser schwerstes Modell ist in Bezug auf Parameterzahl etwa 17-mal kleiner und in Bezug auf GFlops etwa 7-mal kleiner als CellViT. Darüber hinaus ist unser Modell bis zu etwa 8-mal schneller als CellViT. Schließlich beweisen wir die Effektivität unserer Lösung durch einen robusten Vergleich mit externen Datensätzen, nämlich CoNseP, MoNuSeg und GlySAC. Unser Modell ist öffentlich verfügbar unter https://github.com/CosmoIknosLab/NuLite