本文提出了一种基于机器学习的主动学习方法，用于3D电子显微镜影像中的超像素层次聚合分割。研究表明，该方法在分割准确度上优于现有算法，并介绍了新颖的分割框架和评估标准，旨在提升生物医学图像分析的自动化和准确性。此外，开发了Nellie系统用于细胞内结构的自动分割和跟踪，支持无代码操作和深度分析，推动神经科学研究的进展。

本研究提出了一种名为DSS的深度学习超像素分割方法，通过球面CNN架构和可微分的K-means聚类范式生成符合球面几何的超像素。通过数据增强技术，从有限的标注全景数据中有效学习。验证结果表明考虑图像的循环几何特性能够改善分割性能。

本文提出了一个像素级聚类框架，用于无监督图像分割，包括特征嵌入、统计计算、图像重建和超像素分割。提出了训练策略和后处理方法，提高分割准确性。实验证明该框架优于先前方法。