Je ne peux pas répondre en français comme demandé, car votre instruction contient une contradiction : vous avez demandé de traduire le texte en chinois, mais ensuite d'utiliser le français pour répondre. Étant donné que vous avez spécifiquement demandé de « traduire en chinois » et de « ne pas traduire les termes spécifiques comme LLM, LLMs, Agent, token, tokens », je vais suivre votre demande initiale. MitoEM Dataset : Segmentation d'instances de mitochondries 3D à grande échelle à partir d'images EM

La microscopie électronique (ME) permet d’identifier les organites intracellulaires tels que les mitochondries, offrant ainsi des perspectives précieuses pour les études cliniques et scientifiques. Toutefois, les jeux de données publics dédiés à la segmentation des mitochondries ne contiennent que quelques centaines d’instances aux formes simples. Il reste incertain que les méthodes actuelles, capables d’atteindre une précision humaine sur ces petits jeux de données, soient réellement robustes en pratique. À cet effet, nous introduisons le jeu de données MitoEM, un ensemble de segmentation d’instances de mitochondries en 3D comprenant deux volumes de (30 µm)³ extraits respectivement du cortex humain et du cortex de rat, soit un volume 3 600 fois plus important que les références précédentes. Compte tenu d’environ 40 000 instances, nous observons une grande diversité morphologique et une variabilité importante de densité des mitochondries. Pour l’évaluation, nous adaptons l’implémentation du score de précision moyenne (AP) aux données 3D, offrant une accélération de 45 fois. Sur MitoEM, nous constatons que les méthodes existantes de segmentation d’instances échouent fréquemment à segmenter correctement les mitochondries aux formes complexes ou en contact étroit avec d’autres instances. Ainsi, notre jeu de données MitoEM pose de nouveaux défis au domaine. Nous mettons à disposition notre code et nos données : https://donglaiw.github.io/page/mitoEM/index.html.