NuLite -- 用于细胞核实例分割和分类的轻量级快速模型

在病理学中，对苏木精和伊红（H\&E）切片进行准确高效的分析对于及时有效的癌症诊断至关重要。尽管文献中存在许多用于细胞核实例分割和分类的深度学习解决方案，但这些方法通常涉及高昂的计算成本和资源需求，从而限制了它们在医疗应用中的实际使用。为了解决这一问题，我们提出了一种新型卷积神经网络——NuLite，该网络基于最先进的轻量级CNN（Fast-ViT），采用了类似于U-Net的架构设计。我们获得了三种不同版本的模型：NuLite-S、NuLite-M 和 NuLite-H，并在PanNuke数据集上进行了训练。实验结果表明，我们的模型在全景质量和检测方面与CellViT（最先进的方法）相当。然而，最轻量级的模型NuLite-S在参数数量上比CellViT小40倍，在GFlops上小约8倍；而最重量级的模型NuLite-H在参数数量上比CellViT小17倍，在GFlops上小约7倍。此外，我们的模型速度比CellViT快约8倍。最后，为了证明我们解决方案的有效性，我们对外部数据集CoNseP、MoNuSeg和GlySAC进行了稳健的比较。我们的模型已公开发布于https://github.com/CosmoIknosLab/NuLite