LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels

细胞核在使用血液染料苏木精和伊红染色的组织图像中的分割对于各种临床应用和分析至关重要。由于细胞形态的复杂特征，大的接受场被认为对于生成高质量的分割至关重要。然而，以往的方法在实现接受场和计算负担之间的平衡方面面临挑战。为了解决这个问题，我们提出了LKCell，一种高精度和高效的细胞分割方法。其核心洞见在于释放大卷积核的潜力，以实现计算效率高的大接受场。具体而言，(1)我们首次将预训练的大卷积核模型转移到医学领域，证明它们在细胞分割中的有效性。(2)我们分析了以往方法的冗余性，并设计了一个基于大卷积核的新分割解码器。它在显著减少参数的同时实现了更高的性能。我们在最具挑战性的基准测试中评估了我们的方法，并在仅使用先前领先方法的21.6% FLOPs的情况下实现了细胞核实例分割的最新成果（0.5080 mPQ）。我们的源代码和模型可在https://github.com/hustvl/LKCell获得。

本文旨在解决组织图像中细胞核的分割问题，提出了一种高精度和高效的细胞分割方法。

本文的核心思路在于利用大卷积核来实现高效的大感受野，通过将预训练的大卷积核模型转移到医学领域，设计了一种基于大卷积核的分割解码器，大大减少了参数数量。

本文提出的方法在最具挑战性的基准测试中取得了最先进的结果（0.5080 mPQ），仅使用了先前领先方法的21.6％的FLOPs。作者还提供了源代码和模型。

相关研究包括：1. “Nuclei Segmentation via a Deep Convolutional Neural Network”；2. “Cell Nuclei Segmentation Using Deep Convolutional Neural Network and Extreme Learning Machine”；3. “Deep learning for digital pathology image analysis: A comprehensive tutorial with selected use cases”