摘要
肠神经系统（Enteric Nervous System, ENS）是一个动态发展的研究领域，研究人员正致力于开发复杂的方法学手段，以深入理解慢性退行性疾病对肠神经元细胞（Enteric Neuron Cells, ENCs）的影响。此类研究通常需要大量人力投入，涉及对每个形态清晰的细胞进行手动选择与分割，以开展形态计量学与定量分析。然而，现有文献中的解决方案受限于标注数据的稀缺性以及此类数据的独特性，难以有效推广与应用。为解决上述挑战，我们提出了一种新型数据集——ENSeg，该数据集包含由专家标注的肠神经元细胞，共涵盖187张图像和9709个独立标注的细胞实例。同时，我们提出一种结合自动实例分割模型与“通用分割模型”（Segment Anything Model, SAM）架构的新方法，在保持高效率的同时支持人机交互。具体而言，我们采用YOLOv8、YOLOv9和YOLOv11模型生成初步分割候选结果，并通过一种融合协议将这些候选结果与SAM架构进行整合。实验结果表明，最优方案（采用YOLOv8进行候选选择，结合SAM及优化输入点提示的融合协议）取得了0.7877的平均DICE分数（mDICE），显著优于单一分割模型的性能。所提出的融合策略在本研究完成后验证了其在分割精度上的优越性。本研究公开的ENSeg数据集将作为重要贡献向科研社区开放，以推动肠神经系统相关研究的发展。