A precisão e robustez do modelo de segmentação são considerações principais no processamento de imagens de microscopia eletrônica do cérebro de camundongo. Com base nas características técnicas das imagens do microscópio eletrônico, foi proposto um algoritmo de segmentação bidimensional altamente robusto, que identifica com precisão a estrutura morfológica de cada objeto em cada fatia. Este artigo propõe o modelo de segmentação de imagens de microscopia eletrônica 2D em grande escala EM-SAM, baseado no ajuste fino da rede principal de um modelo grande de imagens naturais, para segmentação de instâncias em imagens do cérebro. A rede principal do modelo adota o codificador de imagens treinado do grande modelo natural de imagens SAM, maximizando a capacidade do modelo de extrair características das imagens em tarefas de processamento de imagens de microscopia eletrônica. Além disso, o modelo usa um design de decodificador em forma de U e é ajustado por meio da tarefa de segmentação de imagens de microscopia eletrônica do cérebro de camundongo. Os resultados experimentais mostram: no conjunto de dados público SNEMI3D, o A-Rand atinge 0,054; no conjunto de dados público MitoEM, os AP-50 e AP-75 atingem 0,883 e 0,604 respectivamente. EM-SAM apresenta alta precisão e robustez na tarefa de segmentação neuronal de imagens de microscopia eletrônica e pode ser ajustado para diferentes tarefas.

aprendizagem profunda;segmentação;grandes modelos;imagens de microscopia eletrônica;cérebro de camundongo