LKCell : Segmentation efficace des noyaux cellulaires avec des noyaux de convolution larges

La segmentation des noyaux cellulaires dans les images de tissus colorées au hématoxyline et à l'éosine (H&E) est essentielle pour diverses applications cliniques et analyses. En raison des caractéristiques complexes de la morphologie cellulaire, un grand champ récepteur est considéré comme crucial pour générer une segmentation de haute qualité. Cependant, les méthodes précédentes rencontrent des défis pour établir un équilibre entre le champ récepteur et la charge de calcul. Pour résoudre ce problème, nous proposons LKCell, une méthode de segmentation cellulaire à la fois précise et efficace. Son insight principal consiste à exploiter le potentiel des grands noyaux de convolution pour obtenir des champs récepteurs larges tout en restant calculatoirement efficace. Plus précisément : (1) Nous transférons pour la première fois des modèles pré-entraînés avec de grands noyaux de convolution vers le domaine médical, démontrant leur efficacité dans la segmentation cellulaire. (2) Nous analysons la redondance des méthodes précédentes et concevons un nouveau décodeur de segmentation basé sur les grands noyaux de convolution. Ce décodeur atteint une meilleure performance tout en réduisant considérablement le nombre de paramètres. Nous évaluons notre méthode sur le banc d'essai le plus difficile et obtenons des résultats d'état de l'art (0,5080 mPQ) en segmentation d'instances de noyaux cellulaires avec seulement 21,6% des FLOPs par rapport à la méthode précédemment en tête. Notre code source et nos modèles sont disponibles sur https://github.com/hustvl/LKCell.