基于半监督深度学习的串行块面扫描电镜语义分割三维重建技术及其在半导体精准分析中的应用

本研究针对串行块面扫描电镜(SBF-SEM)图像分割成本高的问题，开发了一种基于半监督深度学习的语义分割方法。通过段插值算法自动生成标注数据，在鼠脑细胞图像上实现了F1 分数达0.89的精确分割，并利用行进立方体算法完成三维重建。该技术显著降低了人工标注成本，为生物医学领域的纳米级结构分析提供了新工具。

　　

在电子显微镜技术蓬勃发展的今天，科学家们对纳米尺度生物样本的三维结构解析需求日益增长。串行块面扫描电子显微镜(SBF-SEM)作为一种强大的三维成像技术，能够实现复杂细胞器的高分辨率体积重建和超微结构分析。然而，这项技术的瓶颈在于图像分割过程——传统人工标注方法不仅耗时费力，还严重制约了研究效率。面对这一挑战，韩国标准科学研究院战略技术研究所新兴研究仪器组的研究团队开发了一种创新的解决方案，相关成果发表在《Microscopy and Microanalysis》上。

研究团队采用半监督深度学习策略，通过段插值技术自动生成标注数据，大幅降低了人工标注成本。该方法特别适用于SBF-SEM技术，因为样本的精密切割和良好对齐使得形状变化最小化，有利于准确预测。实验验证显示，该方法在鼠脑细胞图像上的分割准确率达到F₁
分数0.89，为生物医学领域的纳米级结构分析提供了高效工具。

关键技术方法包括：1)段插值算法自动生成训练数据；2)基于U-Net架构的深度神经网络；3)贝叶斯优化确定超参数；4)K折交叉验证评估性能；5)行进立方体算法实现三维重建。研究使用鼠脑组织样本，经四氧化锇和醋酸铀染色后制成树脂包埋块，用超薄切片机(UT)切成100nm薄片进行成像。

材料与方法部分详细介绍了样本制备和成像过程。小鼠脑组织经灌注固定后，通过系列化学处理增强对比度，最终包埋在Epon812树脂中。SBF-SEM系统采用氧化锆涂层钨(ZrO/W)肖特基发射体，在10kV加速电压下获取图像。研究开发了段插值算法，通过计算图像区域的质心、边界框等特征，在稀疏标注的图像间预测目标形状和位置变化。

结果与讨论部分展示了方法验证情况。在鼠脑组织数据上，半监督学习取得了与全监督学习相当的F₁
分数(0.89 vs 0.89)，测试集上为0.84 vs 0.87。对于反转图像数据，半监督学习也表现出色，验证集F₁
分数达0.84。通过比较分割结果和三维重建效果，证实该方法在保持精度的同时显著减少了标注工作量。

研究结论指出，该方法通过段插值技术实现了SBF-SEM图像的高效分割，为三维电子显微镜图像分析提供了新思路。特别值得注意的是，该方法在样本对齐良好、切割精细的SBF-SEM应用中表现出色，因为这种情况下目标形状变化较小，有利于准确预测。这项研究不仅解决了当前生物样本纳米级成像分析的关键瓶颈，也为实现完全无监督学习的目标迈出了重要一步，在生物学和医学领域具有广阔应用前景。