基于自然图像模型微调的小鼠脑部电镜图像实例分割

分割模型的准确性和鲁棒性是小鼠脑电镜图像处理中的主要考虑因素。针对电镜图像的技术特点,提出了高度稳健的二维分割算法,准确识别每张切片中各物体的形态结构。本文提出了基于大型自然图像模型的主干网络微调的大尺度二维电镜图像分割模型EM-SAM,用于脑部电镜图像中的实例分割。模型主干网络采用大型自然图像模型SAM中的已训练完成的图像编码器,在电镜图像处理任务中最大化模型提取图像特征的能力。此外,模型采用了U型的解码器设计,并通过小鼠脑电镜图像分割任务进行微调。实验结果表明:在公开数据集SNEMI3D中A-Rand可达到0.054;在公开数据集MitoEM中AP-50和AP-75分别可达到0.883,0.604。EM-SAM在电镜图像神经分割任务中准确性高、鲁棒性强,并且可针对不同任务进行微调。