La segmentation d'instances de mitochondries à partir d'images de microscopie électronique (ME) a connu des progrès notables depuis l'introduction des méthodes d'apprentissage profond. Dans cet article, nous proposons deux réseaux profonds avancés, nommés Res-UNet-R et Res-UNet-H, pour la segmentation d'instances de mitochondries en 3D à partir d'échantillons de rat et d'humain. Plus précisément, nous avons conçu un bloc de convolution anisotrope simple mais efficace, et mis en œuvre une stratégie d'entraînement multi-échelle, qui améliorent conjointement les performances de segmentation. En outre, nous avons renforcé la généralisation des modèles entraînés sur l'ensemble de test en intégrant une opération de débruitage en prétraitement. Dans le cadre du Large-scale 3D Mitochondria Instance Segmentation Challenge organisé à l'occasion de l'ISBI 2021, notre méthode a obtenu la première place. Le code source est disponible à l'adresse suivante : https://github.com/Limingxing00/MitoEM2021-Challenge.