扫描电镜图像的实例分割为探究微粒的粒径分布、粒子形态和表面纹理等问题提供了重要的量化信息,有助于如药物输送系统中表型分析等各类生物医学研究的发展。与传统的基于数字图像处理方法相比,深度学习算法的巨大成功使其被广泛应用于医学影像领域并成为热门研究课题。但由于医学图像标注成本过大,人工标注效率过低,获取足量的手工标注作为训练数据变得十分困难。针对特定的医学扫描电子显微镜图像分割任务,图像中微粒重叠、边缘模糊、图像样本少以及图像标注困难等原因使其成为医学视觉领域中极具研究价值和充满挑战的热点问题。本文从扫描电镜微粒图像数据出发,设计基于弱监督的小样本图像标注和分割方法。论文主要工作包括以下三点:1)针对图像数据匮乏、标注困难的问题,本文提出基于蒙特卡洛的域随机化图像合成方法。该方法仅依赖少量的用户输入,即标注出图中单个微粒,结合图像本身的特点将其语义特征抽象成模拟空间中可变的参数,通过随机化参数来合成大量仿真图像及像素标签。考虑到图中微粒的结构化信息,本文设计了三种不同的放置规则,分别是基于物理模型的平面粒子状态模拟,对放置微粒的半径约束和坐标随机化,这三类的方法在降低由于随机化带来的计算量同时,保证了合成图像的仿真程度和多样性。为了验证方法的可行性和有效性,本文采用直方图和感知哈希作为评价指标评估合成图像与对应原始图像的相似性。2)针对原始图像在网络中的分割表现无法直接量化的问题,本文提出基于边缘分割的辅助标记方法。本文主要采取三种标注策略并结合贪心算法的思想使标注效率最大化。首先对电镜图像进行图像滤波和边缘检测方法来提取所有微粒的边缘特征;其次手动筛选生成样本训练一个基于改进的U型边缘分割网络,来处理上一策略中无法准确分割边缘的样本;然后利用上述两个策略的分割结果进行视觉辅助,简化标注流程;接下来,剩下的困难样本能利用人工经验并采用纯手工标注的方式进行处理;最终标注的信息将转化为可用于实例分割网络的图像标签,并用于后文的定量分析。3)针对手工筛选生成图像作为训练集同样过于繁琐的问题,本文提出利用互信息最大化的思想设计无监督的对比学习网络。首先原始图像和生成图像的全局和局部特征经过网络映射到高维表示空间。在高维空间中,通过将特征向量和对应图片的互信息最大化来训练对比网络。然后经过训练的网络会学到每张图像样本的特点,同时优化特征向量在隐空间的表示。最后在高维空间中筛选与原始图像特征最接近的生成图像作为最终的训练集。通过神经网络强大的表征能力,筛选后的训练集应该具有与原始图像接近的特征,用其指导分割网络的训练有利于对原始图像的分割。本文采用的实例分割网络为改进损失函数的Mask R-CNN。最后,为了验证本文算法流程的有效性,本文在标注的数据集上进行对比实验,并探究网络和训练集对分割精度的影响,同时测试模型对不同类型样本的分割表现。结果表明本文提出的算法流程在小样本医学电镜图像的分割任务中达到较好的效果。