近日，韩国标准与科学研究院（KRISS）成功开发出基于人工智能（AI）的图像分割算法，该算法能够将扫描电子显微镜（SEM）拍摄的生物样本二维截面图像快速重构为三维结构。
此次开发的算法是一种仅需人工分析约10%的图像数据，剩余部分可由AI自动预测结构并重构为三维的技术。与以往需要人工逐一分折所有截面图像的方式相比，该技术有望将三维结构观测所需的时间和成本减少一半以上，预计将显著提升相关领域的研究效率。
扫描电子显微镜(SEM)是一种对分析对象的断层以数十纳米间隔进行连续拍摄，再将获取的截面图像组合重构为三维立体结构的设备。该设备能以高分辨率精确观测细微的细胞内部结构，被广泛应用于生命科学研究和医疗诊断领域。）
图像分割（Image Segmentation）是将扫描电子显微镜（SEM）拍摄的图像重构为三维结构所必需的预处理过程。该过程通过区分每个截面图像中细胞核、线粒体等分析对象的精确位置与形态，过滤无用信息并清晰呈现分析目标，从而实现精确的三维重构。
传统图像分割采用"监督学习"方式，需要专家亲自检查数百至数千张截面图像，并手工标注分析目标。但该方法不仅需要投入大量时间和人力，且因研究者的主观判断和操作误差，难以保证三维重构结果的一致性与可靠性。
KRISS未来先导研究装备组为解决此问题，开发了基于"半监督学习"方式的算法——以人工定期标注的基准图像为参照，自动标注相邻截面的正确答案。具体而言，当存在1至100号截面图像时，只需每隔10张插入人工标注的基准数据，剩余90张图像的标注工作将由开发算法自动完成，从而实现整体图像分析。通过这种方式，可大幅减少基于AI的三维结构重构所需的数据集准备时间与成本。
*标注（Labeling）：为数据赋予正确答案（类别、数值等）的过程。例如在截面图像中将A区域标记为"细胞核"，B区域标记为"线粒体"的操作。
在对小鼠脑细胞数据进行的性能测试中，研究团队开发的算法在保持与原有方法精度差异不超过3%的同时，将分析所需时间和成本缩减至约八分之一。该算法在处理4096×6144分辨率的大容量数据时，仍能保持分析精度与速度，展现出稳定的性能表现。
KRISS未来先导研究装备组首席研究员尹达载（音译）表示："本次开发的技术不仅可应用于生物领域，在半导体缺陷分析、新材料开发等需要图像分析自动化的多个领域都具有应用潜力。特别是在因隐私保护或预算限制难以获取AI训练数据的领域，该技术将发挥重要作用。"
此项获得KRISS基础事业支持的研究成果，已于6月发表在显微镜影像分析领域学术期刊《Microscopy and Microanalysis》（影响因子3.0），并被选为该期的重点推荐论文。
