組織画像において、ヘマトキシリンとイオシン（H&E）で染色された細胞核のセグメンテーションは、さまざまな臨床応用や解析にとって不可欠です。細胞形態の複雑な特性により、高品質なセグメンテーションを生成するために大規模な受容野が重要であると考えられています。しかし、従来の方法では受容野と計算負荷のバランスを取ることが困難でした。この問題に対処するため、我々は高精度かつ効率的な細胞セグメンテーション手法であるLKCellを提案します。その核心的な洞察は、大規模な畳み込みカーネルの潜在能力を解放することで、計算効率の高い大規模な受容野を実現することにあります。具体的には、(1) 我々は初めて医療分野へ事前学習済みの大規模畳み込みカーネルモデルを転用し、細胞セグメンテーションにおける有効性を示しました。(2) 従来の方法の冗長性を分析し、大規模畳み込みカーネルに基づいた新しいセグメンテーションデコーダーを開発しました。これにより性能が向上するとともに、パラメータ数が大幅に削減されました。我々は最も困難なベンチマークで本手法を評価し、細胞核インスタンスセグメンテーションにおいて0.5080 mPQという最先端の結果を得ました。これは、従来の最良手法と比較してFLOPsが21.6%に過ぎません。ソースコードおよびモデルは https://github.com/hustvl/LKCell で公開されています。