用于3D线粒体实例分割的先进深度网络

自从深度学习方法引入以来，电子显微镜（EM）图像中线粒体的实例分割取得了显著进展。本文提出两种先进的深度神经网络——Res-UNet-R 和 Res-UNet-H，用于从大鼠和人类样本的三维电子显微镜图像中实现线粒体的实例分割。具体而言，我们设计了一种简单而高效的各向异性卷积模块，并采用多尺度训练策略，二者协同显著提升了分割性能。此外，通过在预处理阶段引入去噪操作，进一步增强了训练模型在测试集上的泛化能力。在2021年IEEE国际生物医学成像研讨会（ISBI 2021）举办的“大规模三维线粒体实例分割挑战赛”中，本方法荣获第一名。代码已公开，地址为：https://github.com/Limingxing00/MitoEM2021-Challenge。