大规模EM多器官实例分割基准数据集
计算机视觉与模式识别
2026-01-21 v1
摘要
器官在电子显微镜（EM）中的准实例级分割对于定量分析细胞器的形态学及器官间相互作用至关重要。然而，当前基于小型精选数据集的基准数据集未能捕捉野外EM数据所固有的异质性和大尺寸背景，限制了基于补丁的方法。为此，我们开发了大规模、多来源的多器官实例分割基准数据集，包含超过100,000张2D EM图像，覆盖多种细胞类型和五类器官，捕捉真实世界的变异性。数据集注释通过我们设计的连接感知标签传播算法（3D LPA）生成，经专家细化。我们进一步对比评估了包括U-Net、SAM变体和Mask2Former在内的多个最新模型。结果表明，当前模型在异构EM数据上的泛化性差，针对具有全局分布形态的器官（如内质网）表现不佳。这凸显了局部背景模型与建模长程结构连续性之间根本性的差距。该基准数据集和标注工具将很快公开发布。
关键词
引用
@article{arxiv.2601.12464,
title = {Large-scale EM Benchmark for Multi-Organelle Instance Segmentation in the Wild},
author = {Yanrui Lu and Danyang Chen and Haowen Xiao and Jiarui Zhu and Fukang Ge and Binqian Zou and Jiali Guan and Jiayin Liang and Yuting Wang and Ziqian Guan and Xiangcheng Bao and Jinhao Bi and Lin Gu and Jun He and Yingying Zhu},
journal= {arXiv preprint arXiv:2601.12464},
year = {2026}
}