Mitochondrieën en endoplasmatisch reticulum (ER) zijn van grote interesse bij biologen vanwege hun respectievelijke invloed op de energieproductie en -distributie in cellen wat een impliciete impact kan hebben op bv. kanker, dementie, Alzheimer, Parkinson, etc. Om deze structuren in voldoende detail te analyseren, wordt typisch 3D elektronenmicroscopie (EM) gebruikt. Hierdoor worden biologen geconfronteerd met grote hoeveelheden data die dienen geanalyseerd te worden. Een cruciale stap in deze analyse is segmentatie: dit is het proces waarbij iedere pixel in het beeld dient geassocieerd te worden met een structuur (bv. mitochondrie of niet). De recente technieken zijn gebaseerd op supervised machine learning en gaan er van uit dat grote hoeveelheden gelabelede data beschikbaar zijn, wat te veel manuele interventie van experten vereist. In dit werk worden technieken bestudeerd om deze supervisie te minimaliseren met een minimum aan performantieverlies. In het bijzonder worden restauratietechnieken ontwikkeld die de kwaliteit van EM beelden significant verbeteren. Verder worden alternatieve machine learning domeinen zoals unsupervised learning, ensembles en domeinadaptie bestudeerd om state-of-the-art segmentatietechnieken praktisch meer bruikbaar te maken. Dit wordt kwantitatief en kwalitatief gevalideerd op verschillende EM datasets en biologische use-cases.