Das enterische Nervensystem (ENS) ist ein dynamisches Forschungsfeld, in dem Wissenschaftler*innen anspruchsvolle Methoden entwickeln, um die Auswirkungen chronisch degenerativer Erkrankungen auf enterische Neuronenzellen (ENCs) zu verstehen. Diese Untersuchungen erfordern einen aufwendigen Arbeitsaufwand, da jede gut definierte Zelle manuell ausgewählt und segmentiert werden muss, um morphometrische und quantitative Analysen durchzuführen. Allerdings beschränken die Knappheit an beschrifteten Daten sowie die spezifischen Merkmale dieser Datensätze die Anwendbarkeit bestehender Lösungen aus der Literatur. Um diesem Problem entgegenzuwirken, präsentieren wir einen neuen Datensatz namens ENSeg, der von Experten beschriftete ENCs enthält und aus 187 Bildern mit insgesamt 9709 individuell annotierten Zellen besteht. Zudem stellen wir einen Ansatz vor, der automatische Instance-Segmentierungsmodelle mit Architekturen des Segment Anything Model (SAM) kombiniert und gleichzeitig menschliche Interaktion ermöglicht, ohne die Effizienz zu beeinträchtigen. Wir nutzten die Modelle YOLOv8, YOLOv9 und YOLOv11, um Segmentierungskandidaten zu generieren, die anschließend über ein Fusionsschema mit SAM-Architekturen integriert wurden. Unser bestes Ergebnis erreichte einen mittleren DICE-Score (mDICE) von 0,7877 unter Verwendung von YOLOv8 (Kandidatenauswahl), SAM und einem Fusionsschema, das die Eingabepunkte für die Prompt-Generierung verbesserte. Die resultierenden Kombinationsprotokolle zeigen im Vergleich zu reinen Segmentierungsmodellen eine überlegene Segmentierungseffizienz. Der Datensatz wird als Beitrag dieser Arbeit vorgestellt und steht der Forschungsgemeinschaft zur Verfügung.