Les biologistes qui utilisent des images de microscopie électronique (ME) pour construire des modèles 3D au niveau nanométrique de cellules entières et de leurs organites ont historiquement été limités à un petit nombre de cellules et de structures cellulaires en raison de contraintes liées à l’imagerie et à l’analyse. Ce facteur a été un obstacle majeur à la compréhension de la variabilité complexe des environnements cellulaires. La ME moderne peut produire des volumes d’images de l’ordre du gigavoxel, contenant un grand nombre de cellules, mais la segmentation manuelle précise des caractéristiques d’image est lente et limite la création de modèles cellulaires. Les algorithmes de segmentation basés sur des réseaux neuronaux à convolution peuvent traiter de grandes volumes rapidement, mais atteindre les niveaux de précision requis pour les tâches de ME reste un défi pour les techniques actuelles. Dans cette étude, nous définissons la segmentation dense des cellules comme une tâche de segmentation sémantique multiclasse destinée à modéliser des cellules et un grand nombre d’organites, et nous en fournissons un exemple sur les plaquettes sanguines humaines. Nous proposons un algorithme utilisant des réseaux hybrides de segmentation 2D–3D novateurs, permettant d’obtenir des segmentation cellulaires denses avec une précision supérieure aux méthodes de référence et proche de celle des annotateurs humains. À notre connaissance, ce travail constitue la première approche publiée visant à automatiser la création de modèles cellulaires avec un tel niveau de détail structuré.