電子顕微鏡（EM）画像からのミトコンドリアのインスタンスセグメンテーションは、深層学習手法の導入以降、顕著な進展を遂げてきた。本論文では、ラットおよびヒトサンプルからの3次元ミトコンドリアインスタンスセグメンテーションを目的として、Res-UNet-RおよびRes-UNet-Hの2つの高度な深層ネットワークを提案する。具体的には、単純ながら効果的な異方性畳み込みブロックを設計し、マルチスケール学習戦略を導入することで、セグメンテーション性能を向上させた。さらに、テストデータセットにおけるモデルの汎化能力を高めるために、前処理としてノイズ除去処理を追加した。2021年ISBIで開催された大規模3次元ミトコンドリアインスタンスセグメンテーションチャレンジにおいて、本手法は1位を獲得した。コードは以下のURLで公開されている：https://github.com/Limingxing00/MitoEM2021-Challenge。