在电子显微镜（EM）中准确地分割三维线粒体实例是一个具有挑战性的问题，也是对其分布和形态进行经验分析的先决条件。大多数现有方法采用三维卷积来获取代表性特征。然而，这些基于卷积的方法由于其有限的局部接受场而难以有效捕捉体积线粒体数据中的长距离依赖关系。为了解决这个问题，我们提出了一个基于分裂时空关注模块的混合编码器-解码器框架，该模块可以高效地并行计算空间和时间自我关注，然后通过可变形卷积进行融合。此外，在训练过程中，我们引入了语义前景-背景对抗损失，有助于区分线粒体实例区域与背景混杂物。我们在Lucchi，MitoEM-R和MitoEM-H三个基准测试上进行了广泛的实验，揭示了我们提出的贡献的好处，并在所有三个数据集上取得了最新的结果。我们的代码和模型可在 https://github.com/OmkarThawakar/STT-UNET 下载。
论文链接：http://arxiv.org/pdf/2303.12073v1
更多计算机论文：http://cspaper.cn/