NuLite -- Modèle léger et rapide pour la segmentation et la classification d'instances de noyaux cellulaires

En pathologie, une analyse précise et efficace des coupes colorées au hématotoxyle et à l'éosine (H&E) est cruciale pour un diagnostic rapide et efficace du cancer. Bien que de nombreuses solutions d'apprentissage profond pour la segmentation et la classification des noyaux soient documentées dans la littérature, elles impliquent souvent des coûts informatiques élevés et des exigences en ressources importantes, limitant ainsi leur utilisation pratique dans les applications médicales. Pour remédier à ce problème, nous présentons un nouveau réseau neuronal convolutif, NuLite, une architecture similaire à U-Net conçue explicitement sur Fast-ViT, un CNN léger de pointe (SOTA). Nous avons obtenu trois versions de notre modèle : NuLite-S, NuLite-M et NuLite-H, formées sur le jeu de données PanNuke. Les résultats expérimentaux démontrent que nos modèles égalent CellViT (SOTA) en termes de qualité panoramique et de détection. Cependant, notre modèle le plus léger, NuLite-S, est 40 fois plus petit en termes de paramètres et environ 8 fois plus petit en termes de GFlops, tandis que notre modèle le plus lourd est 17 fois plus petit en termes de paramètres et environ 7 fois plus petit en termes de GFlops. De plus, notre modèle est jusqu'à environ 8 fois plus rapide que CellViT. Enfin, pour prouver l'efficacité de notre solution, nous fournissons une comparaison robuste avec des jeux de données externes, notamment CoNseP, MoNuSeg et GlySAC. Notre modèle est disponible publiquement sur https://github.com/CosmoIknosLab/NuLite.