電子顕微鏡（EM）画像を用いて全細胞およびそのオルガネラのナノスケール3次元モデルを構築する生物学研究者は、撮影および解析の制約により、長年にわたり細胞および細胞内構造の数が限られていた。この制約は、細胞環境の複雑な多様性に関する知見を大きく制限する要因となってきた。現代のEM技術は、多数の細胞を含むギガボクセル規模の画像データを生成可能であるが、正確な手動によるセグメンテーションは時間がかかり、細胞モデルの構築を制限している。畳み込みニューラルネットワーク（CNN）に基づくセグメンテーションアルゴリズムは大規模な画像データを迅速に処理できるものの、EMタスクにおける精度目標に到達することは、依然として現在の技術にとって大きな課題である。本研究では、細胞および多数のオルガネラを高密度にモデル化するための多クラスセマンティックセグメンテーションタスクとして「高密度細胞セグメンテーション」を定義し、ヒト血小板を例として示す。我々は、新しいハイブリッド2D–3Dセグメンテーションネットワークを用いたアルゴリズムを提示し、従来手法を上回る精度で高密度細胞セグメンテーションを実現するとともに、人間のアノテータの精度に近づいた。本研究の成果は、この程度の構造的詳細を有する細胞モデルの自動作成に向けた、初めて公表されたアプローチであると考えられる。