LSP-DETR：用于全切片图像中细胞核分割的高效可扩展方法
计算机视觉与模式识别
2026-01-07 v1
摘要
精确且可扩展的细胞核实例分割是计算病理学中的关键任务，但巨像素全切片图像 (Whole-Slide Images) 带来了重大的计算挑战。现有方法依赖基于补丁的处理和高成本的后处理来实现实例分离，牺牲了上下文信息和处理效率。我们引入 LSP-DETR (Local Star Polygon DEtection TRansformer)，一个完全端到端的框架，采用具有线性复杂度的轻量级 transformer 来处理大幅度的图像，而无需额外的计算开销。细胞核被表示为星形凸多边形，一种新颖的径向距离损失函数自然实现重叠细胞核的分割，无需显式的重叠标注或手工后处理。在 PanNuke 和 MoNuSeg 数据集上的评估显示，LSP-DETR 在不同组织组织中的泛化能力强劲，实现了最先进的效率，速度是下一最快的主流方法的 5 倍以上。代码和模型已在 https://github.com/RationAI/lsp-detr 上提供。
关键词
引用
@article{arxiv.2601.03163,
title = {LSP-DETR: Efficient and Scalable Nuclei Segmentation in Whole Slide Images},
author = {Matěj Pekár and Vít Musil and Rudolf Nenutil and Petr Holub and Tomáš Brázdil},
journal= {arXiv preprint arXiv:2601.03163},
year = {2026}
}