重新思考视觉基础模型对高效细胞分割的适应

细胞分割对于计算病理学和生物医学发现至关重要。虽然最近的视觉基础模型（VFM）已经展示了显着的通用特征表示，但释放其细胞成像的全部潜力目前受到资源密集型适应范式的瓶颈。现有方法通常依赖于 微调 重型视觉编码器，导致大量的计算开销和对大规模注释的依赖。为了解决这个问题，我们提出了 EffiCell-Seg 框架，用于高效细胞分割，而无需重新训练视觉编码器。我们的核心见解是，预训练的 VFM 本质上编码互补的结构先验：用于定位潜在细胞的全局显着性，以及用于描绘细胞结构的局部形态模式。为了利用这些先验，我们设计了一个单元结构提示编码器（CSP-Encoder），它将语义感知的显着性和主要形态特征从冻结的 VFM 表示合成为显式的结构先验图。此外，我们提出了一种协同掩码解码器（SM-Decoder），通过相互交叉指导联合预测几何距离场和语义图来强制上下文一致性。大量实验表明，EffiCell-Seg 在不同的细胞成像模式中均优于最先进的方法，同时仅需要约 5M 个可训练参数，比完全微调的 VFM 参数少 130 倍以上。该代码可从 https://github.com/xq141839/EffiCell-Seg 获取。