本記事では、電子顕微鏡画像のセマンティックセグメンテーションに関する新しい手法「ε-Seg」を紹介しています。この手法は、階層的変分オートエンコーダ（HVAEs）に基づいており、中心領域のマスキングやスパースラベルの対比学習、ガウス混合モデル（GMM）を利用しています。特に、限られた量のトレーニングラベル（全画像データの0.05%以下）でも効果的に動作するように設計されており、強力な特徴を学習することによって、複雑な生物学的構造を効果的に識別します。実験結果として、2つの密なEMデータセットにおいて、ε-Segがスパース指導セグメンテーションの結果を競争力のあるものとして示しており、蛍光顕微鏡データに対しても適用可能であることを示しています。この手法は、生物画像データの複雑性にかかわらず、高い性能を発揮することが期待されています。