[论文解读] ConvNeXt-backbone HoVerNet for nuclei segmentation and classification

Jiachen Li, Chixin Wang+2 more|arXiv (Cornell University)|Feb 28, 2022

Radiomics and Machine Learning in Medical Imaging被引用 14

一句话总结

该论文提出了一种基于ConvNeXt主干网络的HoVerNet用于细胞核分割与分类，将原始的ResNet主干替换为ConvNeXt-tiny以提升性能。通过基于苏木精通道的独热标签平滑方法增强语义监督，并利用细胞核分布分析选择最优训练/验证折，相较于基线模型，mPQ+提升0.04，multi-r2提升0.0144。

ABSTRACT

This manuscript gives a brief description of the algorithm used to participate in CoNIC Challenge 2022. After the baseline was made available, we follow the method in it and replace the ResNet baseline with ConvNeXt one. Moreover, we propose to first convert RGB space to Haematoxylin-Eosin-DAB(HED) space, then use Haematoxylin composition of origin image to smooth semantic one hot label. Afterwards, nuclei distribution of train and valid set are explored to select the best fold split for training model for final test phase submission. Results on validation set shows that even with channel of each stage smaller in number, HoVerNet with ConvNeXt-tiny backbone still improves the mPQ+ by 0.04 and multi r2 by 0.0144

研究动机与目标

• 通过深度学习提升组织病理学图像中细胞核实例分割与分类的性能。
• 在HoVerNet中用ConvNeXt-tiny替换ResNet-50主干网络，以探索架构效率与性能增益。
• 引入苏木精-伊红-DAB（HED）色彩空间分解用于标签平滑，利用生物染色模式优化独热标签。
• 通过分析训练集与验证集中细胞核类型分布，优化训练数据划分，提升泛化能力。
• 在每阶段通道数更少的情况下实现更优性能，表明传统主干网络设计中存在冗余。

提出的方法

• 在HoVerNet中用ConvNeXt-tiny替换ResNet-50-Ext主干网络，以更高效地提取多尺度特征。
• 使用skimage.color.rgb2hed将输入RGB图像转换为HED色彩空间，分离出苏木精（H）分量以表示DNA染色密度。
• 通过将1替换为0.5 + 0.5 × 归一化苏木精强度（H_norm）对独热真实标签进行平滑，降低监督信号的过度自信。
• 在细胞核类型预测头中采用集成损失函数，结合焦点损失与Dice损失，以处理类别不平衡问题。
• 应用后处理：将细胞核像素图在0.5处进行阈值化，移除面积小于10像素的物体，并在水平/垂直距离图上应用分水岭算法。
• 通过最小化∑(Sim_i - 1)²选择最优验证折，其中Sim_i为训练集与验证集中细胞核类型i比例的比值。

实验结果

研究问题

• RQ1 尽管每阶段通道数更少，但在HoVerNet中用ConvNeXt-tiny替换ResNet主干网络是否能提升细胞核分割与分类性能？
• RQ2 基于苏木精通道分解的独热标签平滑是否能提升模型泛化能力与鲁棒性？
• RQ3 训练集与验证集中细胞核类型的分布如何影响模型性能？是否可通过该分布选择最优数据划分？
• RQ4 通过生物染色模式（苏木精）实现的标签平滑是否能改善组织病理学图像中的语义分割监督？
• RQ5 标准CNN主干网络中是否存在可被高效替代架构（如ConvNeXt）利用的架构冗余？

主要发现

• 尽管每阶段通道数更少，ConvNeXt-tiny主干网络相较ResNet-50-Ext基线模型，mPQ+提升0.04，multi-r2提升0.0144。
• 使用ConvNeXt-tiny主干网络时，验证集mPQ+达到0.5040，multi-r2达到0.8729，优于ResNet-50-Ext基线模型（mPQ+ 0.4998，multi-r2 0.8585）。
• 基于苏木精的标签平滑有效提升了监督质量，通过将染色强度模式融入独热标签，增强了模型泛化能力。
• 最优训练-验证折被选定为第06折，依据为训练集与验证集中细胞核类型比例的分布差异最小（平方差之和最小）。
• 结果表明，当前主干网络架构可能存在冗余的通道容量，因为ConvNeXt-tiny在通道数更少的情况下仍优于ResNet-50-Ext。
• 该方法计算效率高，在两块2080Ti GPU上以4的批量大小训练约需12小时。