$μ$Match：EM 中半监督学习和领域适应的基础模型

视觉基础模型具有相当先进的计算机视觉，可在零次和少量次设置中实现最先进的性能。它们已成功应用于生物医学成像任务，从计算机断层扫描中的器官分割到光学显微镜中的细胞分割。电子显微镜 (EM) 因其纳米级分辨率而成为分析细胞超微结构的主要方式。然而，迄今为止，基础模型在 EM 中的应用仅限于特定的细胞器，例如线粒体，这很大程度上是由于分割任务的多样性和全面注释数据的缺乏。因此，EM 分割仍然主要依赖于监督学习，需要大量的手动注释并限制超微结构分析。为了解决这一差距，我们提出了 $μ$Match，这是一个利用基础模型的半监督学习和领域适应的框架。我们实施最先进的基于学生-教师的方法，并在具有挑战性的 EM 任务（包括线粒体、细胞核和神经突分割）上评估多个基础模型（SAM、SAM2、$μ$SAM、DINOv2/v3）。我们的结果证明了相对于强大基线的持续改进，并强调了显着减少 EM 中注释工作的途径。